用户杨杰

由于 Datadog 产品的性质，Husky 的存储引擎几乎完全围绕服务大型扫描和聚合查询进行了优化。 虽然它可以执行点查找并运行大海捞针搜索查询，但它并不是为了以高容量和低延迟执行点查找而设计的。

datadog 存储日志和 metric 的系统。 datadog logs 的初始版本 如图是第一代系统，多租户共同使用一个 cluster，这样单一的组户很可能会导致整个集群不可用。 如图是第二代

datadog agent 为每个指标生成唯一 hash 用于聚合。 使用 metric_name 计算 hash 对指标进行排序 对指标进行去重 将每个 tag 都用于计算 hash 将 conte

启动 es: docker run -p 127.0.0.1:9200:9200 -p 127.0.0.1:9300:9300 -e "discovery.type=single-node" -d d

在线上，我们为 python 应用开启了持续的 cpu 性能分析。 以往，python 的火焰图 frame 往往仅包含函数名本身。 而我们对于 python，提供以 package.(class).

在不安装 bcc 等工具的情况下，监控系统命令。 进入 /sys/kernel/debug/tracing 目录。 开启 sys_enter_kill 函数分析。 开启 查看目前所有开启的函数： ca

wall WallClock 通过给线程发送 signal 的方式来获取调用栈。 每一轮 tick，至多采集 8 个线程，来减少多服务的 overhead。 _interval 控制的是当只采集 ru

grafana 提供一个读取 jfr 文件的库： https://github.com/grafana/jfr-parser 以组件库维度查看，该库分配了大部分的内存，遂做一些优化： 初始性能： re

最近需要将 jfr 转换成 pprof，发现转换太耗费性能了，遂做一些性能优化。 将一份 jfr 文件转成 lock，memory， cpu， wall 四种类型的 pprof 的开销： 初始性