AI & Automation

TraceSift

Le pipeline di distributed tracing acquisiscono frequentemente enormi volumi di span ripetitivi, facendo lievitare i costi di ingestion per l'osservabilità e rendendo difficile rilevare latenze anomale nelle chiamate a microservizi complessi. TraceSift risolve questo problema analizzando gli span distribuiti, definendo latenze baseline, classificando le anomalie di prestazioni e calcolando strategie di campionamento per ridurre i costi di telemetria. ## Funzionalità principali - **Normalizzazione di span JSON piatti**: legge record di span in JSON piatto e riconosce i nomi di campo più comuni (trace_id/traceId/traceID, startTime/timestamp, durata in ms, µs o ns) con conversione automatica di timestamp e durata. I file di export annidati OTLP, Jaeger o Zipkin vanno prima appiattiti. - **Rilevamento statistico delle anomalie**: analizza le operazioni prive di errori per calcolare baseline p95 e contrassegna gli span utilizzando z-score di durata e stati di errore. - **Modellazione dell'ottimizzazione dei costi**: misura i rapporti di rumore e le quote di volume per raccomandare tassi di campionamento e stimare i risparmi mensili di ingestion cloud. - **Generazione di dataset sintetici**: include un generatore di topologia mock che produce tracce di microservizi multi-tier con picchi di latenza simulati e guasti a cascata. ## Esempio ```bash python tracesift.py --help python tracesift.py --generate-mock --mock-count 200 --cost-per-gb 0.75 python tracesift.py --input traces.json --output report.json ``` ## Limitazioni TraceSift è un'utilità di batch processing in-memory che analizza dati JSON locali o tracce sintetiche, piuttosto che un daemon collector dal vivo in grado di trasmettere telemetria di rete in tempo reale.

python tracesift.py --help