在云环境中，网络动态和复杂，云业务需要频繁调整资源，服务间的通信也在快速变化中。而云网流量监控能够提供对系统状态的深入洞察，如迅速发现性能与故障问题，及时优化服务，支持端到端的服务链路可视化，帮助理解微服务架构中的依赖关系；基于流量的智能告警和趋势分析有助于提高主动运维能力等。
流量对于云网运维的价值尤为凸显，然而对于云网流量的采集却面临诸多挑战：传统采集方案受限于采集方式固化和多数据源，难以灵活适应业务需求；采集范围只能实现部分覆盖网络层、应用层及基础设施；而在面对海量数据时，采集效率和开销又难以满足实时监控的要求。
科来之道——
按需定制：面向复杂多样业务环境的可编排式数据采集
科来提出可编排式数据采集方案，通过模块化设计和编排引擎，让数据收集和处理过程可根据业务需求快速调整，在大幅度减少人工干预的同时提高数据处理的实时性和准确性。
科来可编排式数据采集是集合网络层指标、应用层指标、eBPF数据、基础设施资源监控、第三方数据源对接等各类采集手段和数据源能力，根据不同的云网环境、使用场景和用户需求来指定适合的、科学的、效果更优的方案组合。也因此，其具备了适应性强、更为全面和灵活的技术特点。 更为全面、深入的可观测性支撑
用户在面对不同的业务场景时可进行差异化采集处理，如高可用性需实时监控系统状态和故障，性能优化则关注用户体验指标。另外解决了长期困扰用户的难题，即在传统模式下，网络和业务部门分别监控不同领域，但很多业务问题源于网络或基础设施故障，通过整合多种数据采集手段，业务部门可直接分析综合信息，自行排查问题，减少跨部门沟通，提高故障解决效率。
✓ 高度动态与弹性扩缩容，保持性能优势和成本效益
在云环境下，资源按需分配，企业的IT基础设施能够根据实际负载灵活扩展或收缩。科来可编排式数据采集方案成功实现对这种弹性需求的支持，能够无缝适应不同规模的服务需求，并迅速响应资源的动态变化，提供了高度可伸缩性，能够在资源规模变化时自动调整采集策略，确保持续、高效的数据收集。这种灵活性不仅确保了在高负载时有足够的资源支持，以应对突发的流量高峰，还能在低负载时减少不必要的成本，优化资源使用。通过智能调度算法，系统可以实时监测负载情况并自动进行资源分配，从而保持最佳性能和成本效益。
✓ 适配云上异构资源，提高可观测的全面性与深度
多种类型的计算、存储和网络资源，包括虚拟机、容器、无服务器函数等，每种资源类型都有其独特的架构和性能特征，且不同类型的服务可能会使用不同的协议和端口。不同的采集策略，有效管理了这些复杂的异构资源，并无缝集成到云平台和服务中。
在网络层，通过全流量数据包转发和OVS引流采集网络指标；在应用层，计算前置的应用层指标并基于数据包负载分析业务性能；在基础设施层面，与云平台API对接或从底层获取资源监控指标，涵盖云资源池、容器集群等。此外，利用eBPF技术采集网络、应用及追踪数据；支持对接NetFlow、sFlow、Telemetry等第三方数据源及OpenTelemetry Trace数据，丰富监控数据来源。✓ 数据包前置解析，提供丰富的行为洞察当用户需要分析云上的网络行为或对特定协议进行深入理解时，科来提供了独特的数据包前置解析功能。这一功能可以在数据传输过程中，对数据包进行高精细度、实时的解析和分析。通过汇总各类指标分析数据，系统能够提供丰富的网络行为洞察，为性能监控和故障排查提供强有力的支持。