目前，人们除了对APM大数据的实用性存在一些误解之外，关于其是否可行，也存在误区。因此，本文将探讨有关大数据技术应用于APM的三大误区。

什么是APM大数据?

APM数据可分为两个测定类别：

1.描述应用工作负载的数据，并通知应用的行为或执行情况。

2.描述应用环境的数据，以关键指标的形式显示基础设施如何响应应用需求。

APM大数据的规模是捕获原始数据和未过滤数据的副产品。收集、存储、分析和访问PB级的数据是一项浩大的工程，但它惊人的一面是这些PB级的数据代表了我们想要探索，了解和获取信息所需的未经过滤的“纯净的”事实。大数据的不同方面适用于不同的测定类别，但在以上两种情况下，其终极目标都是提供完整且正确的理解。

天平两端

许多APM产品并非是为了支持大数据而设计的，而是为了迫使客户在规模和数据质量之间做出权衡。

将APM用于数据质量和深度时，其通常因无法扩展而难以支持应用生态系统

或者牺牲数据质量和深度来扩展APM以支持应用生态系统

APM供应商通常借助采样和触发器方式来进行交易追踪，通过汇聚数据以及牺牲调用堆栈的深度和细节来满足其可扩展性需求。否则他们只能监测1-2个应用，并部署多个分析控制台。

这些不能令人满意的方案无法提供解决性能问题所需的数据完整性，尤其是在资源根据需求而快速增减变化的短暂环境中，而共享的依赖关系意味着一个组件的故障可能会对多笔交易产生负面影响。

误区一：无法扩展

捕获每个用户动作和后端活动的详细交易记录确实会产生大量数据，但APM与其它设计大数据解决方案的行业并没有什么不同。相同的大数据技术和架构也适合于APM。

例如，在许多分布式系统场景中，除了流媒体和复杂事件处理架构外，利用非关系型高度优化的数据存储是普遍的共识。此外，跨APM组件的联合数据处理和分析功能则有助于分配工作负载，如同您在Hadoop集群中看到的那样。

在三层处理模式中，应用内收集器只完成极少量的工作，并将原始数据传递给本地处理器，在本地处理器进行压缩和一些基础分析工作后再将数据发送到中央引擎。这一方法远比两层方法更好，应用内收集器给应用或后端系统带来的压力也要小得多。

误区二：难以管理

持续捕获所有交易细节可使应用更具弹性且更易于管理，因为它不再依赖用于配置和维护的复杂规则、检测及触发引擎。一定会有更多的数据，但此时管理存储的问题已经解决，且存储是比计算更便宜的资源。

误区三：费用昂贵

任何与应用相关的技术，其成本都是一个很重要的问题。APM代理也不例外。通过连续捕获交易来启用的大数据APM需在如何观察、记录和持久的交易中使用不同的技术，以确保应用不会受到开销影响。代理可以动态地发现应用栈，并在交易表述中记录每个关键方法和应用调用。然后利用三层分布式架构对交易进行实时压缩和流化处理。

如何解决?

Riverbed应用性能监测解决方案专为支持大数据需求而设计。而SteelCentral AppInternals产品则可以通过专有技术直接解决企业扩展性需求，该技术可在不影响应用性能的情况下捕获并存储每个交易及其相关元数据，直至深层次的用户代码，以及间隔为1秒的系统指标。您可通过这种方式立即了解应用问题，甚至是偶发或间歇性的问题，也可获得满足所有应用监测所需的经济高效的，可扩展解决方案。