CnOps 智能运维与可观测社区
首页开源项目实践文章视频课程常见问答开发者工具STAROps 专题
导航菜单
首页开源项目实践文章视频课程常见问答开发者工具STAROps 专题

CnOps 智能运维与可观测社区

愿景

CnOps 智能运维与可观测社区是一个以"智能运维与可观测"为核心的开放、包容、分享的技术社区,旨在聚集运维专家、开发者和爱好者,共同探讨、学习和分享可观测最佳实践与最新技术,与众多技术社区合作互动,共同探讨交叉领域的技术挑战,推动可观测领域的创新与进步。

内容社区

  • 实践文章
  • 视频课程
  • 开源项目
  • 常见问答
  • 开发者工具

友情链接

  • Prometheus
  • Grafana Lab
  • OpenTelemetry
  • LoongCollector

关注我们

阿里云云原生公众号阿里云云原生
阿里云可观测公众号阿里云可观测

Copyright © 2026 CnOps 社区. All rights reserved.

首页实践文章SLS 数据语义:自动提取业务知识,让日志分析更精准

SLS 数据语义:自动提取业务知识,让日志分析更精准

#SLS#LLMOps#数据语义#智能运维

CnOps | 2026-11-17

OSS 出现批量删除,涉及哪些对象,调用来自哪里?WAF 攻击规则命中增多,哪些请求被拦住,哪些需要继续调查?GMV 下降,用户卡在了哪个业务环节?面对这些日常问题,即使日志已经接入、查询工具已经就绪,要得到准确答案,仍需要理解数据背后的业务含义:该查哪种日志,如何关联同一次操作的记录,以及状态和指标应该怎样解释。

接手一个新项目时,这些问题往往要找熟悉业务的同事确认。相关知识已经写在产品文档、仪表盘、告警规则和查询里,只是分散在不同地方。AI 助手分析数据时,也需要这些上下文。

SLS 数据语义支持一键提取语义信息,将已有数据和查询中的字段含义、业务术语、指标口径及分析规则,整理为 Agent 可用的业务上下文。生成查询语句时,Agent 可以据此选择合适的数据源和字段,使用必要的过滤条件,并沿用已确认的计算口径,减少字段误用、条件遗漏和计算偏差,提升查询语句的质量与准确性。

一、从已有数据和查询中,自动提取业务知识

仪表盘、告警规则和日常 SQL 中,已经包含了团队对成功状态、指标公式和日志关联的判断。SLS 数据语义结合这些查询、字段索引和真实日志样本,将分散的判断整理成可复用的业务定义。

这些知识经过来源核对和必要的查询验证,可以供 Agent 在后续分析中复用。例如,再次分析成功率时,Agent 可以沿用已有的成功条件和分母定义,用户不必在每次提问时重新解释业务口径。

从已有查询中寻找线索

系统先分析仪表盘、告警、定时 SQL 和历史查询引用了哪些字段,优先为常用字段采集样本。一条日志同时包含多个字段时,可以一次补充多个字段的上下文;尚未覆盖的字段,再定向查找相关记录。

字段的索引类型、查询用法和实际取值,会帮助系统区分枚举与自由文本。例如,同样是字符串,状态码需要解释各个取值,消息正文则需要看它记录了什么。重复查询会去重,来源信息仍保留,后续解释可以回到原查询核对。

5eecdaf48460cde5c51d39bb556496fb0612b138a1492fed75b8339e1c4c24831b75b38faadcd24bec177c308ebd5304da007ffcf0081da5158cb1750e02db41d36eb09e46ea78157bfc9d893df209254292935c8d30ad7e4fb4c8ed7016461c.png

还原 SQL 中的业务口径

业务口径经常藏在多层查询中。系统沿子查询、公共表表达式(CTE)和计算别名追踪依赖,将能确认的表达式还原到原始字段;大模型再结合图表标题和日志上下文,解释这些计算的业务含义。解析时还要分清条件作用在哪一步:先筛选请求、只统计其中的成功请求,以及汇总后再挑出异常分组,会改变不同范围的数据。

以下面的“匿名成功访问占比”为例,外层查询使用 is_anon 判断匿名身份,具体条件却定义在内层。提取时需要追踪这一依赖,同时保留成功条件、分母范围和百分比倍率。

5eecdaf48460cde5c51d39bb556496fb0612b138a1492fed75b8339e1c4c24831b75b38faadcd24bec177c308ebd5304e7653e0bab40fb8dea605a5dc8e53d97e0a6e394bd1fe0ba43d9892687700abc09f4b437744d5a4f4fb4c8ed7016461c.png

这条查询回答的是“全部访问中,匿名且成功的请求占多少”。如果把匿名条件加到整个查询的筛选范围里,分母就缩成了匿名请求,计算的会变成“匿名请求中的成功率”。两条 SQL 都可能执行成功,回答的却是不同的问题。

分别提取四类知识,再统一校验

字段、术语、指标和总览各有不同的提取任务,系统支持多个 Agent 分工处理。各任务直接读取原始材料,完成后再统一复核。这样安排有一个明确的目的:减少早期误判在后续任务中被反复引用。例如,字段任务如果误解了一个耗时字段,指标任务不能把这份解释直接当成事实,仍要检查来源计算和样本。

语义类型重点提炼的业务知识
字段记录的业务对象、身份、阶段、单位和枚举含义,以及来源中实际使用的 JSON 子属性。
术语从检索条件、过滤表达式和条件分支中恢复业务分类,保留完整的识别范围。
指标从合计、差值、比率等计算中恢复统计对象、公式和适用范围,区分请求数占比与业务量占比。
总览沉淀数据用途、事件检索入口、解析方法、关联条件和多阶段取数规则。
5eecdaf48460cde5c51d39bb556496fb0612b138a1492fed75b8339e1c4c24831b75b38faadcd24bec177c308ebd5304eaf8c1d8e9ce68cedd843c296b8a543cde643ae59e6d2775923dc50ddd5c7b6ba3877fcf4229d6124fb4c8ed7016461c.png

有疑点,就查数据验证

材料未必能回答所有问题:两个 ID 是否指向同一对象、解析能否取到值、关联是否重复,都可能需要查数据确认。Agent 会针对这些疑点设计只读查询,在授权范围内验证,不修改业务数据。

以关联重复为例,假设已有查询按 request_id 关联请求的开始和完成记录。每个请求是否只有一条完成记录,会直接影响统计结果。下面是一个验证过程的示意,字段名为示例,查询在选定的时间窗口内执行:

event:finish AND request_id:* |
SELECT request_id, count(*) AS finish_records
FROM log
GROUP BY request_id
HAVING count(*) > 1
LIMIT 20

如果结果中某个请求对应两条完成记录,就不能继续把这种关联解释为一对一。提取出的规则需要说明重复情况,并保留“关联前先确定完成记录的归并方式”这一要求;具体采用哪条记录,还要回到来源或继续验证。

5eecdaf48460cde5c51d39bb556496fb0612b138a1492fed75b8339e1c4c24831b75b38faadcd24bec177c308ebd53044de0ae4da9649af2c26b2a6d5e267452df9cce3225d77bf39a13a5bef4b8c6a1bed1d657c9c5d8994fb4c8ed7016461c.png

程序还会把生成的指标与来源计算逐项核对,包括公式、完整取数范围、常量、运算顺序和空值处理。Agent 则检查四类知识对业务对象、时间和单位的解释是否一致。发现冲突时,回到来源修正相关定义。

留下复杂查询中的分析方法

有些知识需要用步骤表达:先从哪类记录找到事件,怎样从消息中提取关联键,再按什么顺序计算。这些方法会写入总览。例如,一条来源查询先按请求合并多个阶段,再计算整体指标,总览需要保留分组粒度和计算顺序。后续 Agent 改变时间范围或分析维度时,仍能沿用这个方法。

二、从业务问题出发,让数据语义参与分析

下面用三个演示场景,展示数据语义如何影响分析过程与判断。场景中的业务设定、对象、时段和查询结果均为示意。

OSS 批量删除追溯:8 次调用,涉及多少对象?

凌晨,一批业务报表无法访问。值班人员发现某个 AK 在相关时段发起了批量删除,希望确认是否涉及重要数据,并追踪调用来源。

提问示例:检查昨晚 21:00—21:10,这个 AK 在目标 Bucket 的批量删除是否涉及 reports/2025/ 前缀,列出相关对象和请求身份。

直接按 AK 和对象前缀查询访问日志,可能漏掉整个批次:DeleteObjects 的访问记录中,object 为占位值 -,具体对象保存在 oss_batch_delete_log 中。

数据语义提供了跨日志取数规则:Agent 先按账号、Bucket、时间和 AK 筛选访问请求,再结合资源上下文和 request_id 关联对象明细,最后筛选对象前缀。身份条件与对象条件分别作用于对应记录。完成重复记录核对后,得到以下示意结果:

统计项示意结果含义
批量删除调用8 次指定 AK 在目标范围内的调用
目标前缀对象明细900 条已关联明细中命中前缀的记录
不同对象 Key860 个上述明细涉及的独立目标

本例中,部分对象被不同请求多次操作,因此 900 条明细涉及 860 个不同 Key。关联后的行数也不能当作调用次数;三种数量需要分别统计。

其中 7 次调用找到了对象明细,另 1 次暂缺明细,仍需补查,当前清单的完整性尚待确认。检查明细覆盖时,也要区分“未命中目标前缀”和“没有对象明细”。

Agent 据此输出对象清单,附上请求时间、请求标识、AK、请求者和来源线索。对象是否已永久删除,还需核对对象级结果和版本信息,不能只看请求是否成功。

在这个案例中,语义信息直接决定条件放在哪里、日志怎样关联、结果按什么粒度统计,帮助 Agent 生成能够准确追溯目标对象和调用身份的查询。

WAF 安全调查:日志里有 block,就代表拦住了吗?

夜间,某业务站点的规则命中量突然上升。值班人员快速查看日志,发现不少 block,同时又看到一些 HTTP 200。哪些请求真的被拦住了,哪些还需要交给应用团队核查?

“分析昨晚的可疑请求,说明实际处置情况,列出需要优先跟进的请求。”

判断这批请求,要同时看模块动作、运行模式和最终处置。当 acl_test=true 时,ACL 模块处于观察模式,即使 acl_action=block,也不能据此判定请求已经被阻断。

如果只按 acl_action=block 汇总,观察模式命中的请求也可能被算成“已拦截”,后续调查就容易漏掉仍需核实的请求。

假设三条请求都包含上述两个字段,继续查看上下文,结论却不同:

示意请求进一步查看的证据对调查的意义
请求 A其他防护模块的最终动作:final_action=block请求最终被阻断,可以记录对应的最终防护模块与规则。
请求 Bfinal_action=js,status=200进入 JavaScript 挑战;这个 200 不能直接解释为应用执行成功。
请求 C未记录最终防护动作,upstream_status=200已有源站响应,应保留该可疑请求的线索,继续核查应用侧处理。

数据语义中保留的字段关系,让 Agent 能按这些证据分别解释请求。尤其是客户端收到 200 和源站返回 200,不能混成同一个判断。

当值班人员继续问“优先查哪些接口”时,Agent 可以聚焦需要跟进的请求,按接口和时间整理线索,并保留请求标识,形成便于交接的调查清单:

结果示意:优先核查 02:10—02:20 访问 /api/order 的可疑请求。其中存在 ACL 观察规则命中且收到源站响应的记录,请结合对应时间和请求标识检查应用日志,确认实际业务处理情况。攻击是否利用成功,仍需应用侧证据判断。

江浙沪净 GMV 少了 30 万,用户卡在了哪一步?

运营发现,昨晚江浙沪净 GMV 为 85 万元,低于同活动、同渠道可比时段的 115 万元,而投放量没有明显变化,于是询问 Agent:“是买的人少了、退款多了,还是用户下不了单?”

Agent 先读取团队已有的净 GMV 语义:成功支付按流水去重,合并支付按子单分摊,剔除运费并扣除成功退款,地区按收货地址归属。按一致的支付、退款口径和观察窗口重算后,确认退款基本持平,下降来自成交减少。

沿交易流程分析,在相同的转化观察窗口内,结算提交量没有明显变化,订单创建成功率却从约 94% 降到 70%;创建成功后的支付转化率和商品客单价基本稳定。异常集中在华东仓生鲜商品,业务日志频繁出现“库存校验超时”。

云产品语义进一步帮助 Agent 判断耗时发生在哪里。ALB 样本中,后端响应耗时是 4.6,响应写出耗时是 18。模型明确前者以秒计、后者以毫秒计,因此 Agent 优先调查后端,避免将更大的数字误判为网络传输瓶颈。

通过业务日志记录的 Trace 标识,Agent 找到调用链样本,按父子关系定位到库存数据库调用,避免重复累加嵌套耗时。随后依据业务模型中已确认的履约仓与数据库分片映射,查询对应 PolarDB 集群。模型帮助它区分慢查询与错误日志,并按 SQL 执行时间对齐业务窗口,发现库存查询的耗时和扫描量明显增长。研发随后核对执行计划,确认新查询没有使用预期索引;恢复原查询后,订单创建成功率也随之回升。

Agent 向运营交付了下降原因,以及去重后的受影响结算清单,区分已经补单成功和仍未完成的交易。观察到的 30 万元成交差额,也与后续补单后的最终流失分别呈现。

三、从一个熟悉的业务问题开始,让经验参与每一次判断

云产品日志和业务日志往往需要配合使用。云产品语义解释请求状态、调用关系和统计范围;业务语义说明这些记录对应哪个业务环节、指标如何计算、不同数据怎样关联。将两类知识按业务场景组织起来,可以为 Agent 选择数据源、生成查询和解释结果提供依据。

选择起步场景时,可以先挑一个团队反复遇到、且已有明确答案的问题:告警来了该怎么排查、用量为什么上涨、某个请求最终如何处置。为它接入日志、配好索引,SLS 自动提取数据语义;已有仪表盘、告警和历史查询提供业务口径的依据,已适配产品还可以直接复用产品知识。随后让 Agent 回答这个问题,再对照团队已有的分析结果——口径对得上,就是可用的起点。

配置周期维护后,系统可以结合新增字段和分析资产补充语义,并保留已采纳的业务口径。经确认的分析结果保存为仪表盘、告警或查询后,还可成为后续提取的来源,让团队积累的经验持续复用。

5eecdaf48460cde5c51d39bb556496fb0612b138a1492fed75b8339e1c4c24831b75b38faadcd24bec177c308ebd530401d7cdee97a7a436857d4c166768a390141c82f81a30db22e17953906621b1073b0980bf997c06174fb4c8ed7016461c.png

自动提取也不追求一次给出全部答案:证据充分的内容自动采纳,存在歧义的会标注具体未知,等待人工确认或新的证据,而不是用猜测填补。团队可以在控制台检查每条语义的来源依据,修正后继续参与分析。明确哪些解释还不确定,与得出准确结论同样重要。

回到前面的三个问题:批量删除涉及哪些对象,哪些可疑请求真的被拦住了,成交为什么下降。日志一直都在,缺的是把数据变成可信答案的业务上下文。数据语义把整理上下文的工作交给系统,让团队积累的经验,参与每一次查询与判断。

文章大纲

推荐文章

超过 2000+ 位开发者正在阅读

给 OpenClaw 加上企业级 Memory

给 OpenClaw 加上企业级 Memory

4646 阅读

阿里云 STAROps 全域智能运维平台发布!

阿里云 STAROps 全域智能运维平台发布!

3453 阅读

阿里云正式发布 RCA Benchmark

阿里云正式发布 RCA Benchmark

2716 阅读

推荐视频

UModel 最佳实践 Vol.1 UModel 数据建模全景解读

UModel 最佳实践 Vol.1 UModel 数据建模全景解读

3854 观看50:35
云监控2.0全景:可观测范式升级与智能运维蓝图

云监控2.0全景:可观测范式升级与智能运维蓝图

2532 观看41:06

推荐工具

精选可观测领域开发者工具

云监

云监控 2.0 沙箱体验

7483 使用

免费

免费网络拨测工具

2746 使用