Pemantauan memberikan wawasan tentang perilaku dan kesehatan sistem Anda, serta membantu membangun pandangan holistik tentang lingkungan, tren bersejarah, menghubungkan beragam faktor, dan mengukur perubahan performa, konsumsi, atau tingkat kesalahan.
Azure Functions menawarkan integrasi bawaan dengan Application Insights. Dari Application Insights, Anda bisa mendapatkan informasi seperti jumlah instans atau permintaan aplikasi fungsi dan dependensi telemetri fungsi. Saat bekerja dengan Functions dan Azure Event Hubs, Application Insights juga dapat melacak telemetri dependensi keluar ke pusat aktivitas, menghitung waktu yang dihabiskan dalam antrean dan menampilkan aliran end-to-end dari sistem yang terhubung melalui Event Hubs.
Bagian ini memperkenalkan fitur dan wawasan berguna yang bisa Anda dapatkan dari Application Insights untuk solusi Azure Event Hubs plus Functions Anda.
Peta Aplikasi
Peta Aplikasi menunjukkan bagaimana komponen dalam sistem saling berinteraksi. Karena telemetri dependensi yang disediakan Application Insights, ini memetakan aliran peristiwa antara Azure Functions dan Event Hubs, termasuk rata-rata setiap eksekusi fungsi dan rata-rata durasi suatu peristiwa di Azure Event Hubs, serta menampilkan transaksi yang mengandung kegagalan yang ditandai dengan warna merah.
Setelah mengirim beban yang diharapkan ke sistem Anda, Anda dapat masuk ke Application Insights di portal Azure, dan di bilah sisi, pilih di Peta Aplikasi. Berikut adalah peta yang menunjukkan tiga fungsi, tiga pusat aktivitas, dan kegagalan nyata saat menulis ke database hilir:
Detail transaksi end-to-end
Detail transaksi end-to-end menunjukkan bagaimana komponen sistem Anda saling berinteraksi, dalam urutan kronologis. Tampilan ini juga menunjukkan berapa lama peristiwa dihabiskan dalam antrean. Anda juga dapat menelusuri telemetri setiap komponen dari tampilan ini, yang membuatnya lebih mudah untuk memecahkan masalah di seluruh komponen dalam permintaan yang sama ketika terjadi masalah.
Metrik dan telemetri platform
Metrik yang dihasilkan platform di Azure Monitor untuk Event Hubs dan Azure Functions dapat digunakan untuk pemantauan keseluruhan perilaku dan kesehatan solusi:
Metrik Azure Event Hubs di Azure Monitor menarik untuk menangkap wawasan yang bermanfaat untuk Event Hubs (seperti agregat Permintaan Masuk, Permintaan Keluar, Permintaan yang Dibatasi, Permintaan Berhasil, Pesan Masuk, Pesan Keluar, Pesan yang Diambil, Byte Masuk, Byte Keluar, Byte yang Ditangkap, Kesalahan Pengguna).
Metrik Azure Functions membagikan banyak metrik dari Azure App Service, dengan penambahan Jumlah Eksekusi Fungsi dan Unit Eksekusi Fungsi yang dapat digunakan untuk memahami pemanfaatan dan biaya paket Konsumsi. Metrik menarik lainnya adalah Koneksi, Data Masuk, Data Keluar, Kumpulan Kerja Memori Rata-rata, Jumlah Alur, Permintaan, dan Waktu Respons.
Azure Functions terintegrasi dengan Application Insights untuk memberikan telemetri dan wawasan tingkat lanjut serta terperinci ke dalam host Functions dan eksekusi fungsi. Untuk mempelajari selengkapnya, lihat Menganalisis telemetri Azure Functions dalam Application Insights. Saat menggunakan Application Insights untuk memantau topologi, ada berbagai konfigurasi yang tersedia. Untuk mempelajari selengkapnya, lihat Cara mengonfigurasi pemantauan untuk Azure Functions.
Berikut ini adalah contoh telemetri ekstra untuk fungsi yang dipicu Azure Event Hubs yang dihasilkan dalam tabel jejak:
Trigger Details: PartionId: 6, Offset: 3985758552064-3985758624640, EnqueueTimeUtc: 2022-10-31T12:51:58.1750000+00:00-2022-10-31T12:52:03.8160000+00:00, SequenceNumber: 3712266-3712275, Count: 10
Informasi ini mengharuskan Anda menggunakan ekstensi Event Hubs 4.2.0 atau versi yang lebih baru. Data ini sangat berguna karena berisi informasi tentang pesan yang memicu eksekusi fungsi dan dapat digunakan untuk kueri dan wawasan. Ini termasuk data berikut untuk setiap kali fungsi dipicu:
- ID partisi (6)
- Rentang offset partisi (3985758552064-3985758624640)
- Rentang Waktu Antrean dalam UTC (2022-10-31T12:51:58.1750000+00:00-2022-10-31T12:52:03.8160000+00:00)
- Rentang nomor urut 3712266-3712275
- Dan jumlah pesan (10)
Lihat bagian Contoh kueri Application Insights untuk contoh tentang cara menggunakan telemetri ini.
Telemetri kustom juga dimungkinkan untuk bahasa lain (pustaka kelas C#, C# Isolated, C# Script, JavaScript, Java, PowerShell, dan Python). Pengelogan ini muncul di tabel jejak di Application Insights. Anda dapat membuat entri Anda sendiri ke dalam Application Insights dan menambahkan dimensi kustom yang dapat digunakan untuk mengkueri data dan membuat dasbor kustom.
Terakhir, ketika aplikasi fungsi Anda terhubung ke pusat aktivitas menggunakan pengikatan output, entri juga ditulis ke tabel Dependensi Application Insights.
Untuk Azure Event Hubs, korelasi diinjeksikan ke dalam payload peristiwa, dan Anda melihat properti Diagnostic-Id dalam peristiwa:
Ini mengikuti format Konteks Pelacakan W3C yang juga digunakan sebagai Id Operasi dan Tautan Operasi dalam telemetri yang dibuat oleh Functions, yang memungkinkan Application Insights untuk membangun korelasi antara peristiwa hub peristiwa dan eksekusi fungsi, bahkan ketika didistribusikan.
Contoh kueri Application Insights
Di bawah ini adalah daftar kueri Application Insights yang bermanfaat saat memantau Event Hubs dengan Azure Functions. Kueri ini menampilkan informasi terperinci untuk fungsi yang dipicu pusat aktivitas menggunakan telemetri yang dipancarkan oleh ekstensi Event Hubs 4.2.0 dan yang lebih baru.
Ketika pengambilan sampel diaktifkan di Application Insights, mungkin ada celah dalam data.
Informasi pemrosesan peristiwa terperinci
Data hanya dipancarkan dalam format yang benar ketika pengiriman batch digunakan. Pengiriman batch berarti bahwa fungsi menerima beberapa peristiwa untuk setiap eksekusi, yang direkomendasikan untuk performa. Perhatikan pertimbangan berikut:
- Nilai
dispatchTimeMillisecondstersebut mendekati lamanya waktu antara kapan peristiwa ditulis ke pusat aktivitas dan kapan ini diambil oleh aplikasi fungsi untuk diproses. dispatchTimeMillisecondsdapat negatif atau tidak akurat karena penyimpangan jam antara server pusat aktivitas dan aplikasi fungsi.- Partisi Azure Event Hubs diproses secara berurutan. Pesan tidak akan dikirim ke kode fungsi untuk diproses sampai semua pesan sebelumnya telah diproses. Pantau waktu eksekusi fungsi Anda karena waktu eksekusi yang lebih lama akan menyebabkan penundaan pengiriman.
- Perhitungan menggunakan enqueueTime pesan pertama dalam batch. Waktu pengiriman mungkin lebih rendah untuk pesan lain dalam batch.
dispatchTimeMillisecondsdidasarkan pada titik waktu.- Nomor urut adalah per-partisi, dan pemrosesan duplikat dapat terjadi karena Azure Event Hubs tidak menjamin pengiriman pesan tepat satu kali.
traces
| where message startswith "Trigger Details: Parti"
| parse message with * "tionId: " partitionId:string ", Offset: "
offsetStart:string "-" offsetEnd:string", EnqueueTimeUtc: "
enqueueTimeStart:datetime "+00:00-" enqueueTimeEnd:datetime "+00:00, SequenceNumber: "
sequenceNumberStart:string "-" sequenceNumberEnd:string ", Count: "
messageCount:int
| extend dispatchTimeMilliseconds = (timestamp - enqueueTimeStart) / 1ms
| project timestamp, cloud_RoleInstance, operation_Name, processId =
customDimensions.ProcessId, partitionId, messageCount, sequenceNumberStart,
sequenceNumberEnd, enqueueTimeStart, enqueueTimeEnd, dispatchTimeMilliseconds
Visualisasi latensi pengiriman
Kueri ini memvisualisasikan latensi pengiriman peristiwa persentil ke-50 dan ke-90 untuk fungsi yang dipicu pusat aktivitas tertentu. Lihat kueri di atas untuk detail dan catatan selengkapnya.
traces
| where operation_Name == "<ENTER THE NAME OF YOUR FUNCTION HERE>"
| where message startswith "Trigger Details: Parti"
| parse message with * "tionId: " partitionId:string ", Offset: "
offsetStart:string "-" offsetEnd:string", EnqueueTimeUtc: "
enqueueTimeStart:datetime "+00:00-" enqueueTimeEnd:datetime "+00:00, SequenceNumber: "
sequenceNumberStart:string "-" sequenceNumberEnd:string ", Count: "
messageCount:int
| extend dispatchTimeMilliseconds = (timestamp - enqueueTimeStart) / 1ms
| summarize percentiles(dispatchTimeMilliseconds, 50, 90) by bin(timestamp, 5m)
| render timechart
Ringkasan latensi pengiriman
Kueri ini mirip dengan yang di atas, tetapi menampilkan tampilan ringkasan.
traces
| where message startswith "Trigger Details: Parti"
| parse message with * "tionId: " partitionId:string ", Offset: "
offsetStart:string "-" offsetEnd:string", EnqueueTimeUtc: "
enqueueTimeStart:datetime "+00:00-" enqueueTimeEnd:datetime "+00:00, SequenceNumber: "
sequenceNumberStart:string "-" sequenceNumberEnd:string ", Count: "
messageCount:int
| extend dispatchTimeMilliseconds = (timestamp - enqueueTimeStart) / 1ms
| summarize messageCount = sum(messageCount),
percentiles(dispatchTimeMilliseconds, 50, 90, 99, 99.9, 99.99) by operation_Name
Distribusi pesan di seluruh partisi
Kueri ini menunjukkan cara memvisualisasikan distribusi pesan di seluruh partisi.
traces
| where message startswith "Trigger Details: Parti"
| parse message with * "tionId: " partitionId:string ", Offset: "
offsetStart:string "-" offsetEnd:string", EnqueueTimeUtc: "
enqueueTimeStart:datetime "+00:00-" enqueueTimeEnd:datetime "+00:00, SequenceNumber: "
sequenceNumberStart:string "-" sequenceNumberEnd:string ", Count: "
messageCount:int
| summarize messageCount = sum(messageCount) by cloud_RoleInstance,
bin(timestamp, 5m)
| render areachart kind=stacked
Distribusi pesan di seluruh instans
Kueri ini menunjukkan cara memvisualisasikan distribusi pesan di seluruh instans.
traces
| where message startswith "Trigger Details: Parti"
| parse message with * "tionId: " partitionId:string ", Offset: "
offsetStart:string "-" offsetEnd:string", EnqueueTimeUtc: "
enqueueTimeStart:datetime "+00:00-" enqueueTimeEnd:datetime "+00:00, SequenceNumber: "
sequenceNumberStart:string "-" sequenceNumberEnd:string ", Count: "
messageCount:int
| summarize messageCount = sum(messageCount) by cloud_RoleInstance,
bin(timestamp, 5m)
| render areachart kind=stacked
Instans Eksekusi dan Instans yang Dialokasikan
Kueri ini menunjukkan cara memvisualisasikan jumlah instans Azure Functions yang memproses peristiwa dari Event Hubs, dan jumlah total instans (pemrosesan dan menunggu sewa). Sebagian besar waktu instans tersebut harus sama.
traces
| where message startswith "Trigger Details: Parti"
| summarize type = "Executing Instances", Count = dcount(cloud_RoleInstance) by
bin(timestamp, 60s)
| union (
traces
| summarize type = "Allocated Instances", Count = dcount(cloud_RoleInstance) by
bin(timestamp, 60s)
)
| project timestamp, type, Count
| render timechart
Semua Telemetri untuk Eksekusi Fungsi tertentu
Bidang operation_Id dapat digunakan di berbagai tabel di Application Insights. Untuk Event Hubs yang dipicu Azure Functions, kueri berikut misalnya akan menghasilkan informasi pemicu, telemetri dari log di dalam kode Fungsi, serta dependensi dan pengecualian:
union isfuzzy=true requests, exceptions, traces, dependencies
| where * has "<ENTER THE OPERATION_ID OF YOUR FUNCTION EXECUTION HERE>"
| order by timestamp asc
Latensi End-to-End untuk Peristiwa
Karena properti enqueueTimeUtc dalam jejak detail pemicu menunjukkan waktu masuk antrean peristiwa pertama saja dari setiap batch yang diproses fungsi, kueri yang lebih canggih dapat digunakan untuk menghitung latensi peristiwa end-to-end di antara dua fungsi dengan Azure Event Hubs di antaranya. Kueri ini akan memperluas tautan operasi (jika ada) dalam permintaan fungsi kedua dan memetakan waktu berakhirnya ke ID operasi terkait yang sama dari waktu mulai fungsi pertama.
let start = view(){
requests
| where operation_Name == "FirstFunction"
| project start_t = timestamp, first_operation_Id = operation_Id
};
let link = view(){
requests
| where operation_Name == "SecondFunction"
| mv-expand ex = parse_json(tostring(customDimensions["_MS.links"]))
| extend parent = case(isnotempty(ex.operation_Id), ex.operation_Id, operation_Id )
| project first_operation_Id = parent, second_operation_Id = operation_Id
};
let finish = view(){
traces
| where customDimensions["EventName"] == "FunctionCompleted" and operation_Name
== "SecondFunction"
| project end_t = timestamp, second_operation_Id = operation_Id
};
start
| join kind=inner (
link
| join kind=inner finish on second_operation_Id
) on first_operation_Id
| project start_t, end_t, first_operation_Id, second_operation_Id
| summarize avg(datetime_diff('second', end_t, start_t))
Kontributor
Artikel ini dikelola oleh Microsoft. Awalnya ditulis oleh kontributor berikut.
Penulis utama:
- David Barkol | Spesialis Solusi Utama GBB
Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.
Langkah berikutnya
Untuk mempelajari selengkapnya, pertimbangkan untuk mengulas artikel terkait ini:
- Memantau pemrosesan peristiwa tanpa server
- Menganalisis telemetri Azure Functions dalam Application Insights
- Mengonfigurasikan pemantauan untuk Azure Functions
- Menganalisis telemetri Azure Functions dalam Application Insights
- Metrik di Azure Monitor - Azure Event Hubs
- Bahasa Kueri Kusto
Sumber daya terkait
- Pemantauan pemrosesan peristiwa tanpa server memberikan panduan tentang pemantauan arsitektur berbasis peristiwa tanpa server.
- Pemrosesan peristiwa tanpa server adalah arsitektur referensi yang merinci arsitektur jenis ini, dengan sampel kode dan diskusi tentang pertimbangan penting.
- Pembatalan batch dan pemfilteran dalam pemrosesan peristiwa tanpa server dengan Azure Event Hubs menjelaskan secara lebih terperinci cara kerja bagian-bagian arsitektur referensi ini.