MELT (メトリクス、イベント、ログ、トレース)

Observability February 10, 2025 Austin Chia

自社のオブザーバビリティデータが驚異的なペースで増加していると考えている企業は71%に上ります。このことからも分かるように、オブザーバビリティは、高性能のソフトウェアシステムを管理および保守する面で不可欠な役割を担っています。こうした状況に対応するには、MELTの概念を理解することが重要です。

MELT (メトリクス、イベント、ログ、トレース)フレームワークは、オブザーバビリティを実現するための包括的なアプローチであり、システムの健全性、パフォーマンス、挙動について貴重なインサイトを提供します。

それらのインサイトを活用することで、システム全体のパフォーマンスを最適化すると同時に、問題を迅速に検出して診断し、解決できるようになります。

このブログ記事では、MELTとその4つの異なるテレメトリデータタイプ、MELTの実装方法、およびMELTのよくある質問について詳しく取り上げます。

(関連記事：テレメトリ、オブザーバビリティ、監視の主な違い)

MELT (メトリクス、イベント、ログ、トレース)の概要

MELTフレームワークは、次の4つの基本的なテレメトリデータタイプをまとめたものです。

メトリクス(Metrics)
イベント(Events)
ログ(Logs)
トレース(Traces)

各データタイプはシステムの動作に関する情報を独自の視点で提供するため、チームはアプリケーションのパフォーマンスとシステムの健全性をより深く理解できます。これらのデータタイプを統合すれば、ソフトウェアシステム全体を包括的に把握し、問題を迅速に特定して解決できるようになります。

それでは、それぞれのデータタイプを詳しく見ていきましょう。

メトリクス(Metrics)

メトリクスは、システムのパフォーマンスを概観できる測定値です。これによって、パフォーマンスの数学的モデリングと予測が可能になり、それを特定のデータ構造で表現できるようになります。以下のメトリクスは、システムの動作を理解するうえで役立ちます。

CPU使用率
エラー率

メトリクスを活用すれば、データの長期保存が容易になったり、シンプルなクエリーが実現したりするなど、さまざまなメリットを得られます。また、メトリクスは各種サービスの過去のトレンドを表示するダッシュボードの構築にも役立ちます。

イベント(Events)

MELTのイベントは個別の事象を記録するデータタイプであり、正確な時間を表す値と各種数値を含みます。これにより、重大なイベントを追跡したり、ユーザーリクエストに関連する潜在的な問題を検出したりできます。簡単に言えば、イベントとは、特定の時点でシステム内に発生した事象のことです。

イベントでは時間が非常に重要な意味を持つため、通常はタイムスタンプが使用されます。

イベントを活用することで、上記のメトリクスデータのコンテキストを理解しやすくなります。また、アプリケーションで最も注意が必要なポイントを特定し、パフォーマンスやセキュリティに影響を及ぼす可能性があるユーザーの行動を効果的に可視化できます。イベントの例を以下に示します。

ユーザーのログイン試行
アラートの通知
HTTPリクエスト/レスポンス

https://www.youtube.com/embed/O0XNSU-I-sg?start=5

ログ(Logs)

ログは、指定された時点でのシステムの動作を詳しく記録した情報であり、デバッグには必要不可欠です。ログデータを解析すれば、APIやアプリケーションデータベースからは導き出せない、アプリケーションのパフォーマンスに関するインサイトが得られます。

簡単に言えば、ログはシステム内部で発生するすべてのアクティビティの記録です。

ログにはプレーンテキスト、JSONオブジェクトなどさまざまな形式があり、多くのクエリー手法に対応します。そのため、ログはセキュリティ脅威とパフォーマンスの問題を調査するための最も有用なデータポイントの1つです。

ログを効果的に活用するには、一元化されたプラットフォームに集約する必要があります。集約することで、エラーをすばやく見つけて修正したり、アプリケーションパフォーマンスを適切に監視したりできます。

トレース(Traces)

トレースとは、リクエストまたはワークフローがシステムの1つのコンポーネントから別のコンポーネントへと進んでいくパス全体を指し、分散システム内のリクエストのフローをエンドツーエンドで把握できます。

つまり、トレースは、アプリケーションとそれを構成するサービスによって処理される個々のトランザクションを表す処理をまとめたものです。トレースを構成する個々の処理をスパンと言います。スパンは分散システムの不可欠な部分であり、分散トレーシングの基本的な要素として機能します。

トレースから、2つのデータポイント間の方向性と関係に関するインサイトが得られ、さらにサービスの相互作用と非同期性の影響に関するインサイトが得られます。トレースデータを分析すれば、分散システムのパフォーマンスと挙動について理解を深めることができます。

トレースの例を以下に示します。

SQLクエリーの実行
ユーザー認証リクエスト中の関数呼び出し

トレースのインストルメンテーション(計装)は難しい場合があります。トレースデータを送信するためにリクエストの各コンポーネントを変更する必要があるためです。そのうえ、多くのアプリケーションはオープンソースのフレームワークやライブラリをベースとしているため、追加のインストルメンテーションが必要になる可能性があります。

分散システムへのMELTの導入

分散システムは、今日のアプリケーションで非常に重要な役割を果たします。主な理由は次のとおりです。

大量のデータを処理する
高可用性やフォールトトレランスを提供する

https://www.youtube.com/embed/aOYiQ8CGqnM?start=5

効果的なオブザーバビリティを確保し、パフォーマンスを最適化するためには、分散システムにMELTを導入することが不可欠です。これには以下の点が関係しています。

テレメトリデータの収集

テレメトリデータとは、リモートまたはアクセスできないソースから自動的に収集され、中央の場所に送信されるデータを指します。これらのデータは監視と分析のために集約されます。メトリクス、イベント、ログ、トレースの各データから、アプリケーションのパフォーマンス、遅延、スループット、リソース使用率についての重要なインサイトが得られます。

テレメトリデータは以下のソースから収集されます。

アプリケーションログ
システムログ
ネットワークトラフィック
サードパーティのサービス
API

これらのデータは、システムのパフォーマンスを観測し、潜在的な問題を認識するために活用できます。また、異常を検出したり、問題の根本原因を探ったりすることもできます。

集約したデータの管理

集約したデータを管理し、そこから有意義なインサイトを引き出すには、収集したデータを正しく整理、保存、分析する必要があります。

データの集約とは、統計分析の目的でさまざまなソースから生データを収集し、1つの場所にまとめるプロセスを指します。この段階で、性質が異なる多数のソースからのデータが適切に要約されます。

集約したデータを効果的に整理して保存するには、膨大なデータを格納でき、効率よくアクセスできるシステムを導入する必要があります。これは、リレーショナルデータベースやNoSQLデータベースなどのデータベースシステムを利用して実現できます。

集約したデータを分析するには、統計手法とツールを使用して、データのパターンと傾向を識別しなければなりません。これは、以下の方法で実現できます。

クラスタリング、分類、回帰などの データマイニング手法 を適用する
集約したデータを活用し、顧客の傾向を特定してマーケティング活動を最適化して、カスタマーサービスを強化する
集約したデータを使用して、無駄や非効率な領域を識別するなど、ビジネスを改善できる可能性がある領域を特定する

データの集約は、特にログに対して効果を発揮します。ログは収集されたテレメトリデータの大部分を占めており、オブザーバビリティにおいて非常に重要であるためです。さらにログを他のデータソースと統合すれば、アプリケーションのパフォーマンスとユーザーの行動に関する包括的なフィードバックを得ることができます。

このような集約済みのログは、潜在的なセキュリティ脅威を検出して対応するセキュリティ情報/イベント管理(SIEM)ソリューションの実装にも使用されます。

ツールや技術の活用

各種ツールや技術の活用もMELTの導入に役立ちます。以下にその例を紹介します。

アプリケーションパフォーマンス監視(APM)：APMは、分散システムのパフォーマンスに関する問題を監視、検出、診断するための包括的なツールで、アプリケーションスタック全体からデータを収集し、コンポーネント間のデータフローにマッピングして、システム全体を可視化します。
AIOps分析：AI (人工知能)と機械学習を活用し、システムのパフォーマンスを最適化して、潜在的な問題を識別します。
根本原因分析の自動化：問題の根本原因をAIで自動的に特定することで、潜在的な問題を短時間で特定して対応し、システムのパフォーマンスを最適化できます。

このメリットはIBM社によるレポートでも裏付けられており、AIと自動化を導入した組織では、侵害ライフサイクルが74日短縮されたことが明らかになっています。