云运维上线一年半，企业用户已突破1400家。 为了更好的协助客户实现系统稳定高效的使用，我们对云运维报表的布局和功能进行了优●化升级。 本次更新主要有以下三ζ　个亮点：

1.报表模块化分页展示

2. 新的 BI 报表

3.内存负载评分功能上线

1 内容丰富分页展示，条理『更清晰

随着云运维々功能的不断缩减，报表内容越来越丰富多彩，让数据分析更加全面，但也带来了结构不清晰、关键数据难以查找等问题。

熟悉云运维的用户都知道◥，云运维的目的还是为了系统的稳定和高效，所以要达到这样ㄨ的效果，虽☆然分为两个层面来重点优化：

1.服务器级别-稳定

指的是我们使用的服务器（硬件服务器或者云服务器）和支持应用运行的服务器容器（比如，等等）。那些是保证我们的应用№能够支持用户的基础，所以从角度运维方面，我们需要关注以下两个方向的数据

服务器运行方向：访问状态（次数、人数）、内存峰值、CPU使用率≡峰值、辅助系统管理的一▅些数据（化机内存、jdk版本、操作系统、处理器架↘构等）

用户体验方向：宕机、卡顿

服务器级别的▲数据是整个报表的第一页（概览）。 说白了就是可以反映出我们的系统是否能够正常流畅的使用。

2、应用层面——高效

是指安装部署在服务╲器上的具体应用项目（如报》表项目、BI项目），是系统用户直接与系统交互，进行数据录入/采集/分析/价值★挖掘等操作的窗口，所以从运维的角度，我们需要关注以下两个方向的数据

使用效率方向：各统计单→元的延时状态（模板/仪表盘、数据连接、数据集等）

使用★频率方向：模板访问量▓（次数/人数）、日访问量/趋势

应用层面的数据是整个报表的第二页和第三页（报表』工程分析、BI工程分析），分别从系统可用性的理论指标和实际数据来判断。

结合以上两个层面下的所有方向，在保证系统正常稳定使用的基础上，进一步考虑系统用的多，用的好不※好，让系统真正♂稳定高效.

2 全新BI报表，运维分析更专业

由于两款产品的定位不︾同，运维层面的数据虽然很多，但很难统一判断和分析。 如果想对系统使用情况有更准确的控制，可以根据两款产品的不同特点进行精细化∏分析。 方为上策。

虽然云从今年开始『就有了这个想法，但在明年上半年持续的用户考察和功能反馈中，贵方对BI云运维报表的需求也验证了这个方向的正确性和必要性。 现在跟着云Ψ 运维报表的BI云运维↘报表整体布局终于和大家见面啦~

1、判断用多了好不好的方法

报表工↑程更适合中国式的复杂报表。 在企业中，信息部门/IT部门的专业人员往往会在收集业务人员的需求后开发报表。

判断这↓种报表用的※多不多，更看重「的是业务人员访问报表的频率和人数

判断用的好不∩好，更多的是关注业务人员在访问那些报表时所需要的各个环节的时长（SQL时长，报表预估时长〓等）的后台展←示

作为一款简单易用的自助式大数据分析工具，在应用上，有别于IT连接需求的开放报表模式。 定位为业务用户或数据☆分析师，根据数据需求做探索性分析，判断这个仪表盘的性能。 Usage，在访问维度的基【础上，我们额外缩减了编辑情况的观察维度，包括三类数据：编辑用◆户数、平均每日编辑次数、编辑时长。

从编辑的用户数中，我们不仅可以直◇观的看到用于分析的用户总数和每日用户数的变化，还可以分析企业自助分析模↑式和业务用户数据的实现水平更深层次的分析能力。 企业的实力，企业内∑具有数据分析能力的人才储备等。

从日均编辑次数〖可以得到业务用户用于数据分析的平均日编辑次数，相当于在自助分析模式下为业务用户解决了每日临时分析问题的次数。 结合编辑仪表盘/数※据集的时长，综合对比使用excel进行分析或IT帮助业务开发报●表模式，从而︾验证自助分析模式对企业的价值，是否达到了以下●效果：降低成本，提高效率。

分析实例：西洋双陆棋过去只有一个IT部门为每个业务部门处理数据，现在通过BI平台，将⊙分析应用数据的部门扩大到近10个，拥有30+编辑用户，培养潜力企业数据分析人才，业务部门模板平均每月编辑300次以上，平均每晚々编辑10次以上，意味着业务每晚自行解决10个以上的眼前问题。

另外，从访问的①角度，包括访问用户数和Ψ 访问次数，可以估算每个用户对模板ㄨ的平均访问次数，这不仅可以反映用户对数据分析结果的依赖程度，而且也体现了☉自助分析下的业务。 用户自己开发的模板的价值，即平均访问次数越高，表明用户对数据分析结♀果的依赖程度越高，单个模板的分析价值越高，依◥赖的可能性就越大根据数据做出决策。

2、用的多不多，好不好的统计细度

对于直接用户，在整个使用过程中只接触↘到（cpt或frm），不需要其他任何东西。 所以这部分用户体验的重点是问题模板，访问频率高，时间长的模板是运维人员优化的重点。

但是对于用户来说，理清了〗数据和关系之后，使用过程涉及到的不仅仅是仪表盘，还有数据集》的制作（尤其是自助数据集），所以关注的范围不仅仅是问题仪表盘，而是还有问题数据¤集，经常能及时发现一些○由于误操作（比如在两个大数据规模之间合并合并）导致的问题◢数据集，并进行优化，对性能的提升可能不亚于甚至超过问题仪表盘的提升。

3内存负载评分，详细分析每■次卡顿

卡顿表现为在感△知比较显着的时候系统没有反应，无法交互。 一般一段ζ时间后可以手动恢复正常。 但是频繁卡顿会给用户带来很差的体验，所以卡顿问题应该解决。 同样关注系ω统停机时间。

1、为什么不关注卡顿？

数量多，人力少，系统挂起时间♂长

如今，我们通常会遇⌒　到停机问题。 比较有效的方法是在重启前导入系统的dump文件分析定位。 理论上也可以应用于冻结问题的处理。 但是相对于宕机，卡顿的□　频率要高很多，系统运维人员没有足够的精力对所有卡顿做如此详细的排』查。 退一步说服务▂器运维，我们不缺钱，所以→需要招更多的人来看，所以还是有一个问题——dump 期间系统不可用服务器运维，即使人手跟得上，影响系统不可用性的影响超过了滞后的影响得不偿失。

支持深度分析的数据很少

遇到卡住的问】题，你的第一反应是什么？ “网络不好”绝对是最佳答案。

不排除确实有一定比例的情况是因为网络环境的影响导致后端加载卡住，但是显然这样一个非人为可控的原因会隐藏『很多问题，而网络有太多的责备。 那为什㊣　么传统的卡顿分析还停留在网络环境、前端加载等浅层分析上呢？ 由于缺乏数据支持深入分析，问题又回到了之前导入dump的矛盾。

卡顿体验标准不统一

上面说的“卡顿表现是在感知比较显着的时候系统没█有响应，无法交互”，虽然这个定义也有点模糊，但是“感知比较显着”的感知成分比较多. 同样的接入需求，新入□职的小白可能认为加载20秒内可以接受，但々公司领导可能等了10多秒才想和信息〓部谈。 再加＠ 上系统的硬件条件不同……干扰原因太多，导致系统操作人员难以准确判断很多卡顿的严重程度，而优先级的缺失让高效处理变得更加困难。

2.如何通过内存负载评分解【决以上问题

分析过程完全手动且免费

依托于云运维强大的数据分析处理能力，显存的复杂评分功能◣是根据GC日志手动关联模板的执行状态。 全程云∴端运维分析，无需人工输●入，不影响系统正常︻使用

丰富的数据支持深度分析

以当前系统显存使用情况，辅以推广数据，综合考察系统显╳存负载，但jvm显存、cpu使用率、存活□　会话数、系统在线用户数、加卐载模板等。链接起来，为后续分析优化提供方向

求“同”存“异”，力求判断准确

在同一√个报表系统中，使用该时间点的各个系统参数对卡点进行♀打分，防止人为激励影响判断的准确性； 不同系统根据自身硬件配置和实时显存情况确定评分标准，具体系统具体分析，避免系统差异。 判断无聊和不合▅理的标准

比如目前主流的软件——小到补报、查询、部署、集成，大到可视化大屏、驾驶舱，功能强大。 最重要的是，得益于这个工具，整个公司的数据结构可以出现标▽准化，下一步就是为企业建立一个大数据平台。 而且，它是用java编写的，支持二次开发，是一个类Excel的设计器。 无论是IT还是业务，都非常容〖易上手：编辑sql优化、数据集复用简直就是小case，大大提高了报表开发的门槛。 . 在企业最关心的数据安全方面，支持多人同时开发同一套报表，通过模板ω　锁定功能避免编辑冲突； 通过数据分析和▓权限控制，保证数据安全。