但随着互联网的发展，业务系统Scope越来越大，需要在质量、可用性和可运维性上有更高的要求。
从个人视角转化到行业视角也能发现一个趋势：在十几年前，研发的时间会花在三个部分：创新（编码），部署+上线，观察+分析，
并且部署+上线会花费大量的时间。近几年云计算和云原生的兴起解放了开发运维在部署、上线和环境标准化上的精力。
构建中台的思路看起来很直接，要做这件事情有哪些挑战呢？
我们可以从数据源、分析和判别这三个过程来分析：
SLS向下对接各种开源的协议与数据源，向上对各种场景提供支撑能力。核心能力在于围绕可观察性的各种监控数据，提供统一的存储与计算能力，平台可以用 “1、2、3、4” 四个词来概括。
为了构建可观察性的中台，我们先看看目前存储系统的现状。在运维领域AIOps系统的构建过程中，长期并存四种类型的存储系统，分别是：
所有的事物都是一个待续变化的过程，例如数据库的一张表在某一个时刻（例如2点）的状态实际上是由历史上所有变化累计的结果。
在Binlog之上，我们可以挑选某些字段生成一个Logstore，Logstore可以认为是数据库的一个表：是带Schema的，至少有EventTime这个字段（事件发生的原始时间），可以指定列的类型和名字。
这里需要有一套低代码开发的语言来做各种各样的数据转化、分派、富化，把多个业务系统不同格式的数据进行简化。
第三个问题是算法的问题，我们内置了大量基于AI的巡检、预测、聚类、根因分析等算法，可以在人工分析和自动巡检告警中直接使用到。
