In den heutigen hybriden, KI-gestützten IT-Umgebungen mit ihrem schnellen Wandel entstehen die größten Erkennungslücken nicht durch Ausfälle, sondern durch übersehene Verbindungen und fehlenden Kontext bei Entscheidungen. Eine langsame App sieht auf den ersten Blick vielleicht normal aus, bis man die Ursache zu einem fehlerhaften Switch zurückverfolgt; eine Service-Beeinträchtigung bleibt eventuell unbemerkt, bis sie sich negativ auf die Geldbörse des Kunden auswirkt.
Deshalb sorgen die neuen Versionen von Splunk für Observability, deren Fokus gleichermaßen auf Ergebnissen wie auf Uptime liegt.
Mit Integrationen, Ereignisinformationen und Observability für KI4 profitieren Teams von netzwerkbezogener Unternehmenstransparenz über den gesamten Stack und den Rest von Cisco hinweg, um die richtigen Probleme schnell zu beheben. Ganz gleich, ob es um das Troubleshooting eines verloren gegangenen Datenpakets oder das Monitoring KI-fähiger Apps geht – Splunk gibt Teams die Möglichkeit, die Kernursachenanalyse mit weniger manuellem Aufwand und mehr kontextbezogener Fehlerbehebung zu optimieren.
Ein langsamer Bezahlvorgang ist nicht nur ein Problem der App, und ein verloren gegangenes Paket nicht nur ein Netzwerkproblem. Unternehmen der Zukunft benötigen vernetzte Transparenz über Netzwerke, Services und Anwendungsschichten hinweg, die nicht nur Beeinträchtigungen aufzeigt, sondern auch deren Bedeutung für das Unternehmen sowie Lösungen verdeutlicht. Von KI-gestützter Ereigniskorrelation bis hin zu einheitlicher Observability über AppDynamics, ThousandEyes, ITSI und mehr: Unsere neuesten Innovationen ermöglichen eine frühere, genauere Erkennung, die Observability in intelligente Entscheidungsfindung verwandelt, ganz gleich, wo Probleme auftreten.
Die neue ThousandEyes-Integration führt Ereignisse, Warnmeldungen und Metrikdaten von ThousandEyes in ITSI zusammen. Dies erleichtert es, problematische synthetische Netzwerk- und App-Tests zu erkennen, die Fehlersuche zu beschleunigen und die Services zu verstehen, die zur Gesundheit des Unternehmens beitragen.
Teams können dadurch leichter Fragen beantworten wie etwa: Gibt es Upstream-CDN- oder ISP-Engpässe, die unsere kundenorientierten Services beeinträchtigen? Welche Regionen oder Kundensegmente sind von Paketverlusten oder Latenz betroffen und wie?

Erweitert die Observability innerhalb eurer hybriden Netzwerkumgebungen mit umfassender Transparenz in Campus- und Filialnetzwerken. Dazu tragen Informationen über den Zustand von Catalyst Center verwalteter Geräte und Schnittstellen sowie von Meraki verwaltete Infrastruktur (einschließlich Switches, Gateways und Zugangspunkten) bei, die alle mit IT-Servicemetriken korreliert sind, um die geschäftskritischsten Netzwerkprobleme zu identifizieren, die Kernursache zu ermitteln und die Services schnell wiederherzustellen.

Netzwerk- und Anwendungsentwicklungsteams erhalten nun einheitliche Transparenz über Splunk Observability Cloud und ThousandEyes hinweg, sodass sie schnell erkennen können, ob Probleme auf eine schlechte App- oder Netzwerkleistung zurückzuführen sind. Dies reduziert gegenseitige Schuldzuweisungen, verbessert die Zusammenarbeit und beschleunigt damit die Problemlösung.

Ihr müsst euch nicht mit isoliertem Monitoring zufriedengeben, da wir durch eine einheitliche Troubleshooting-Erfahrung über AppDynamics und Observability Cloud hinweg die Komplexität für Teams reduzieren, die sowohl moderne als auch ältere Workloads verwalten.
Splunk Observability Cloud und Splunk AppDynamics bieten eine nahtlose Troubleshooting-Erfahrung, die die Komplexität reduziert und die Kernursachenanalyse für Teams optimiert, die sowohl moderne als auch ältere Workloads in dreischichtigen und Microservice-Umgebungen verwalten.
Ihr könnt auf eine detaillierte, visuelle Wiedergabe tatsächlicher Kundenaktionen zugreifen, die mit umfassenden Leistungsmetriken korreliert sind, um aufzuzeigen, wie sich das Benutzerverhalten auf Web-basierte und mobile Anwendungen auswirkt und zu Problemen beiträgt. Dank dieser Funktion können Teams schwer reproduzierbare Probleme beheben, User Journeys optimieren und zuverlässige Erkenntnisse sowohl zur Benutzererfahrung als auch zu Sicherheitsereignissen gewinnen.
Durch KI-Systeme entstehen neue Telemetrieebenen und zusätzliche Komplexität im gesamten Stack. Unternehmen benötigen sofortige Transparenz, die zeigt, wie sich KI-Workloads verhalten, welche Leistung sie bringen und wie sie sich auf Downstream-Systeme auswirken. Vom Monitoring der KI-Infrastruktur über die Verfolgung von Modellinteraktionen bis hin zur Leistungsabfrage mit KI-Agenten bieten wir speziell auf KI-fähige Systeme zugeschnittene Observability – alles innerhalb von Splunk Observability.
Bietet Echtzeit-Monitoring der Komponenten von KI-Orchestratoren, Vektordatenbanken, App-Plattformen, Cloud-Modellplattformen, Basis-Sprachmodellen und der Modellberechnungs-Infrastruktur, sodass Teams die Leistung und Umfang ihrer GenAI-Plattformen verwalten können.
Dies hilft Teams, diverse Fragen zu beantworten, wie etwa: Bei welchen Ressourcen ist die Auslastung zu hoch bzw. zu niedrig? Wo bestehen Komponentenengpässe? Welche Komponenten fallen aus, oder von wo aus werden Anforderungen in die Warteschlange gestellt?
LLM-Service-Monitoring bietet tiefe Einblicke in sämtliche KI-Anwendungstransaktionen, damit deutlich wird, welche Anwendungen gut funktionieren, was die Kernursachen von Leistungsproblemen sind und wie ihr eure Service Level Objectives erreichen könnt.
Ermöglicht das Monitoring von GPU-Infrastruktur, LangChain-Orchestrierung und Vektordatenbank-Leistung sowie die Korrelation mit AppDynamics und Splunk APM für umfassende, modellbasierte Observability.
Während bei Observability für KI der Fokus auf dem Monitoring des KI-Stacks liegt, verändert auf KI gestützte Observability die Art und Weise, wie Teams Vorfälle untersuchen und darauf reagieren. Diese Innovationen ermöglichen leistungsstarke KI-Unterstützung bei der Kernursachenanalyse, Anomalieerkennung und Ereigniskorrelation. Dies reduziert den Arbeitsaufwand und macht eine schnellere, genauere Erkennung und Behebung möglich.
Ihr könnt Datenbankanomalien automatisch erkennen, bevor sie sich auf Geschäftstransaktionen auswirken. Die auf Machine Learning gestützte Erkennung erfordert weder manuelle Konfiguration noch manuell festgelegte Schwellenwerte, um Metriken wie Anrufe pro Minute (Calls per Minute, CPM), Anzahl der Verbindungen und Ausführungszeit automatisch zu erkennen und ggf. Benachrichtigungen dazu zu generieren. Dank einstellbarer, KI-gestützter Benachrichtigungen könnt ihr die Modellsensitivität an die geschäftlichen Anforderungen anpassen und die Zahl irrelevanter Meldungen reduzieren.
Die Kernursache von Infrastrukturproblemen, die sich auf die App-Leistung auswirken, lässt sich automatisch identifizieren und eingrenzen. Unterstützt jedes Team – von Plattformentwicklern bis hin zu Nachwuchs-SREs – mit Empfehlungen, um Probleme schneller zu beheben.
Dies hilft Teams, Fragen zu beantworten wie: Wurde die Änderung unserer App-Performance durch die Infrastruktur, den Code oder das Netzwerk verursacht? Welche Komponente hat den größten Einfluss auf die Leistung?
Bei dieser KI-gestützten Analyse werden Hunderte von Transaktions-Snapshots kontextbezogen untersucht, um Anomalien aufzudecken. Dadurch lässt sich die MTTR bei On-Premise-Workloads leichter reduzieren.
Die KI-gestützte Korrelation von Warnmeldungen hilft ITOps-Teams, irrelevante Ereignisse dynamisch herauszufiltern, zusammenhängende Ereignisse zu gruppieren und kritische Incidents hervorzuheben, die sofortige Aufmerksamkeit erfordern. Dank der Möglichkeit, interessante Felder dynamisch abzuleiten, die Bedingungen für die Ereigniskorrelation weiter zu konfigurieren und Erklärungen in Klartext zu erhalten, können sich Teams nun einfacher und schneller auf die vordringlichsten Probleme konzentrieren.
Dies hilft Teams bei der Beantwortung von Fragen wie: Welche Leistungsprobleme sind am dringendsten und was ist die wahrscheinlichste Kernursache? Sind diese Vorfälle isolierte Einzelfälle oder Teil umfassenderer Probleme beim Servicezustand? Welche Vorfälle sollten auf unserem Management-Dashboard angezeigt werden?
Nicht vergessen: Erlebt eure Observability-Daten auf eine neue, weniger abfrageintensive Weise – mit dem kürzlich von Splunk veröffentlichten KI-Assistenten in Observability Cloud: Der KI-Assistent in Observability Cloud stützt sich auf agentenbasierte KI-Technologie und hilft euch, Fragen zu eurer Cloud-Anwendung und -Infrastruktur zu beantworten. Wenn ihr eure Prompts eingebt, analysiert der KI-Assistent in Sekundenschnelle eure Logs, Metriken und Trace-Daten und liefert dann wichtige Erkenntnisse zu möglichen Kernursachen bzw. Leistungslücken und schlägt Maßnahmen zur Behebung von IT-Vorfällen vor. Dieser KI-Assistent ist in ausgewählten Regionen in den USA, Australien und Europa verfügbar.
Weitere Details findet ihr hier. Das folgende Video zeigt, wie ihr den KI-Assistenten verwenden könnt, um Probleme in Kubernetes schneller zu beheben.
Durch tiefer greifende Integrationen über Cisco-Plattformen hinweg, KI-gestützte Erkenntnisse und eine speziell auf KI-Workloads zugeschnittene Transparenz hilft Splunk euch dabei, bewährte Vorgehensweisen im Bereich Observability in einen Motor für die smarte Entscheidungsfindung zu verwandeln. Sei es bei der Verwaltung komplexer Hybridumgebungen, der Bereitstellung von LLMs oder der Fehlerbehebung bei einem abgebrochenen Bezahlvorgang – diese Innovationen helfen euch, das Signal zu finden, schneller zu handeln und immer einen Schritt voraus zu sein.
Die führenden Unternehmen der Welt vertrauen auf Splunk, einem Unternehmen von Cisco, um ihre digitale Resilienz mit der einheitlichen Sicherheits- und Observability-Plattform, unterstützt durch branchenführende KI, kontinuierlich zu stärken.
Unsere Kunden setzen auf die preisgekrönten Sicherheits- und Observability-Lösungen von Splunk, um die Zuverlässigkeit ihrer komplexen digitalen Umgebungen zu sichern und zu optimieren – in jeder Größenordnung.