基础链路信息收集上来之后，需要进行统一存储，并对数据进行清洗与聚合，根据应用响应时间、请求数、错误率等指标进行下钻分析，并按应用、接口、链路、事务等多个维度进行展示，这也是一项非常复杂的工作。
更多的Jetty等更多通过Web容器启动的应用可以参考ARMS的帮助文档。
对于部署在阿里云EDAS或者容器服务Kubernetes的应用，接入工作会更加的简单，ARMS已经和这些产品进行了集成，使用者都不需要下载ARMS的探针到应用所在的节点，可以直接在控制台进行一键式的批量操作。
如果一个应用的多个对等实例中，某一个出现了故障，我们就能够非常迅速的发现这个实例在应用情况视图中呈现出来的状态信息和其他实例存在非常大的区别，这样有助于我们迅速找到故障实例，并进行相应的处理。
如果一个应用的多个对等实例中，某一个出现了故障，我们就能够非常迅速的发现这个实例在应用情况视图中呈现出来的状态信息和其他实例存在非常大的区别，这样有助于我们迅速找到故障实例，并进行相应的处理。
如果通过前两个步骤还没有找到问题的根源，就需要借助ARMS的核心能力—全链路排查了。
我们先进入入口应用的接口调用视图，结束实际业场景，我们能够快速找到哪一个接口存在响应时间过长的情况。
:):ohh:
报警规则被触发时会向指定的联系人分组发送通知，而在创建联系人分组之前必须先创建联系人。所以在创建报警规则前，我们需要预先确定报警的接收者，配置好联系人和联系人分组。
02 从几个案例进行拆解
现在，很多企业都想实现数据闭环，其实闭环就是非常典型的方法论。那么，这个方法论究竟能不能解决问题？能不能在组织和团队里运行起来？背后是否缺失了哪些环节？在这里，陈新祥分享了一个国内的实际案例。
在此基础上，还得针对两类事件做统一的设计和规划，浏览页面和功能交互是统计数据中最多的，如果浏览页面和功能交互没有规范化就会导致数据脏乱差。
预测性维护是机器学习和AI对制造产生影响的特别富有成果的领域。实际上，根据凯捷(Capgemini)的研究，将近30%的制造业AI实施与机械和生产工具维护相关。这使得预测性维护成为当前制造中使用最广泛的用例。
