乘云数字Databuff获评鑫智奖2025专家推荐TOP10优秀解决方案

摘要：“鑫智奖”作为金融数据智能领域的重要奖项，已连续举办七届，致力于挖掘并推广金融科技与数据智能深度融合的优秀成果，彰显数据智能在金融场景中的落地成效和未来潜力。2025年评选活动共计收到来自70家企业的99个方案参评，经过27位专家评审与答辩打分，评选出专家推荐

为促进金融企业数据管理和数据平台智能化转型，金科创新社主办了“鑫智奖·第七届金融数据智能优秀解决方案评选”活动。其中，乘云数字DataBuff平台斩获 “专家推荐TOP10优秀解决方案” 奖项，彰显了乘云数字在金融科技领域的创新实力。

图：鑫智奖-专家推荐TOP10优秀解决方案

“鑫智奖”作为金融数据智能领域的重要奖项，已连续举办七届，致力于挖掘并推广金融科技与数据智能深度融合的优秀成果，彰显数据智能在金融场景中的落地成效和未来潜力。2025年评选活动共计收到来自70家企业的99个方案参评，经过27位专家评审与答辩打分，评选出专家推荐TOP10优秀解决方案。乘云数字此次获奖的“专家推荐TOP10优秀解决方案”，围绕国内银行新一代核心系统的复杂性面临的全新运行稳定性挑战，在快速的发现问题、定位问题、处理问题及大模型新技术的应用等方面展现出专业、系统的技术优势，获得专家组高度认可。

“通过DataBuff平台，实现全栈监控与诊断。利用预测性AI和因果性AI技术，提前发现异常并精准定位故障，大幅降低故障率和处理时间。同时，自研存储引擎有效降低成本并提升性能，助力降本增效。”

——吉林银行首席信息官邹帮山

“在数字化转型的推动下，银行等金融机构纷纷转向微服务、云原生技术体系，新一代核心系统面临系统交易链路复杂、业务连续性保障压力大、运维数据存储成本高等痛点。该方案融合因果性AI和生成式AI的预测和定位能力，提升故障定位的准确率和覆盖度；通过完全自研的时序与链路数据存储引擎，实现降本提效。有效解决基于云原生技术平台监控运维工作中的痛点。”

——国新国证基金首席信息官赵天智

一、解决方案概要

银行新一代核心的复杂性带来了全新的运行稳定性挑战，传统监控技术面临严重瓶颈。DataBuff一体化观测平台，通过创新的方式将“业务观测”、“因果AI”、“生成式AI” 三大领先技术深度融合，帮助银行全面解决新一代核心系统的运行稳定性问题。该平台能够深度感知新一代核心的业务运行状态，全面梳理消费者的业务旅程，构建“以业务为中心”的新一代监控管理体系，提供端到端的交易级链路追踪能力，快速发现问题、定位问题、处理问题，实现故障定位的一键直达。

二、银行新核心的特点和运维难点

随着新一代核心在银行业的广泛普及，业务系统的技术架构正在经历着新旧交替。IT 系统在系统架构、开发方式、部署方式、运行环境等方面经历了多次技术变革。系统架构方面，经历了从整体式、分层式、分布式到云原生的变化；开发方式方面，经历了从瀑布模式、螺旋模式、敏捷模式到DevOps 的变迁；部署方式方面，由物理机、虚拟机、容器化到 Serverless；运行环境方面，由自建机房、托管机房、私有云、公共云到混合云。新核心系统要应对高并发交易处理的压力，任何微小的故障都可能引发连锁反应，导致业务中断、客户流失，甚至损害银行的声誉。

新一代核心系统具备业务高并发处理、系统弹性部署、IT自主可控等特点，这也为运维部门带来了新的挑战。为保障该系统的稳定运行，需要满足极高的技术要求，具体表现在以下几个方面：

新核心系统交易链路复杂

经过微服务化的新核心系统服务调用链复杂，跨节点、跨集群问题难以追踪，故障排查依赖人工“逐层猜断”。如信贷申请和审批业务流程复杂，会涉及多个服务协作，服务间通信频繁，故障排查具有很大难度。

业务连续性保障压力大

7×24小时在线服务要求故障分钟级响应。支付系统要求高可用性和低延迟，在高并发情况下可能面临资源争夺和响应时间延长等问题。

机器数据存储成本高、价值密度低

云原生场景下，日志、指标、链路等机器数据量大且分散，缺乏关联分析，无法快速支撑核心业务问题优化决策。运维数据噪音大，有效告警识别率低。

目前银行迫切需要一套拥有创新技术和独特优势的解决方案，方案须具备对新核心系统全维度的观测、智能化的诊断和多平台协同的能力，能够满足银行的新核心系统监控管理需求。银行迫切需要实现从“被动应对”到“主动预防”的转变，从而更高效地推动业务发展，满足未来更复杂的运营需求。

三、解决方案介绍

乘云数字 DataBuff 是一款业界领先的可观测性技术平台，采用业界最新水平的设计理念，只需在主机上安装一个Agent，即可实现所有软件堆栈的监控与诊断。其核心优势在于自动化和智能化，能够实时监控并分析复杂应用环境中的性能问题，快速定位故障根因。

部署架构主要包括：

OneAgent 一体化探针：自动部署在每台主机上，负责数据采集和传输；

DataHub 遥测数据管道：开放接入外部各种类型的监控工具，各种类型的监控数据，实现遥测数据的可视化编排治理；

OneCenter 一体化平台：云端或本地部署，负责数据处理、存储和分析。

图：解决方案整体能力架构

DataBuff 新核心业务观测与故障定位解决方案主要包括三个方面的功能：基于业务观测的用户旅程分析、基于因果AI的故障定位能力、基于生成式AI的运维自动化能力，以下展开详细说明：

3.1.基于业务观测的用户旅程分析

业务观测(Business Observability)：面向银行核心交易系统的业务级、用户级旅程分析，通过整合技术性能数据与业务指标，帮助银行实现从“代码级故障定位” 到 “业务级影响评估” 的全链路洞察。其核心价值在于将系统可用性、交易效率等IT指标与客户体验、营收转化等业务目标深度关联，为技术运维与业务决策提供统一数据支撑。

图：业务地图

可观测性能力建设的一个关键性效益就是对业务支撑能力的提升。重点关注业务指标的提升是为保证企业在市场竞争中的领先地位，确保客户满意度和市场份额的增长，以及推动持续的业务改进和创新。领导者通过关注这些关键指标，能够有效地制定战略方向、作出数据驱动的决策，并激励团队实现共同的业务目标，从而确保企业的长期成功和可持续发展。在银行核心交易系统场景中，业务观测的主要功能包括：

1）业务KPI指标监控，动态追踪核心交易指标（如每秒交易量、成功率、响应时间），通过可视化仪表盘实时监控支付、清算等关键业务流状态，异常时触发告警（如交易量骤降50%），保障高并发场景下的业务连续性。

2）端到端交易链路透视，基于代码级全链路追踪，还原跨系统交易路径（如客户发起转账→风控校验→核心记账→清算系统），精准定位业务瓶颈（如风控规则引擎延迟或数据库锁争用），加速故障修复，避免交易积压。

3）转化率漏斗分析，分析业务流程中用户转化漏斗（如开户、贷款申请），识别关键环节流失原因。定位业务流程中的流失点（如实名认证步骤失败率超30%），优化身份验证逻辑。对比不同渠道（APP/网页）的转化率，指导资源倾斜与体验优化。

4）用户体验与业务关联分析，将用户行为（如手机银行APP支付失败率激增）与后端系统性能（如微服务超时、第三方接口异常）深度关联，识别客户流失的技术诱因（如身份验证服务响应慢），针对性优化业务流程。

3.2.基于因果AI的故障定位能力

因果AI（Causal AI）：是通过构建动态因果关系拓扑，将银行核心交易系统中的上层异常（如交易延迟、失败）与底层根因（如代码缺陷、资源瓶颈）自动关联，实现无需人工干预的精准问题诊断。其核心逻辑是结合实时监控数据（指标、日志、拓扑）与历史模式，推理出故障传播路径，例如从数据库慢查询追溯到微服务调用链异常，并进一步评估对业务指标（如VIP客户交易成功率）的影响。

图：因果AI的类比图（人体系统的晕厥 vs IT系统的业务异常）

在银行新一代核心交易系统中，因果性CausalAI 故障推理准确率高。能够将通常的小时级问题排查降低到分钟级故障定位，实现1分钟发现问题、3分钟定位问题。能够自动识别和数字化映射新核心系统所在的整个IT环境，包括业务系统、服务、容器进程、基础设施等。通过三维空间拓扑，自动分析整个核心系统各个组件之间的交互依赖以及影响关系，结合核心系统故障场景知识图谱的AI推理能力，该方案精准定位影响核心系统业务性能的问题根源。

因果AI通过动态构建因果关系图谱，自动关联交易异常（如延迟、失败）与底层根因（如数据库锁竞争、微服务调用链超时、第三方接口故障），实现秒级精准定位问题。其功能涵盖：

1）智能根因诊断，无需人工排查即可追溯至代码方法或资源瓶颈（如CPU过载）；

2）业务影响量化，评估交易中断对高价值业务（如大额转账、实时清算）的损失，优先修复关键节点；

3）预测性风险预警，基于历史数据预判交易洪峰（如月末结算）或容量瓶颈，触发扩容预案；

4）合规辅助，自动生成故障与业务指标的关联报告，满足金融监管对交易可追溯性及SLA合规审计的要求，保障系统高可用与业务连续性。

图：因果AI给出的故障定位结果展示

3.3.基于生成式AI的运维自动化效率提升

生成式AI(Generative AI) 是基于DeepSeek 大语言模型的运维智能辅助引擎，专注于将复杂技术数据转化为可操作的业务洞察，并自动化生成解决方案。在银行核心交易系统中，它通过自然语言交互与自动化能力，帮助技术、运维及业务团队快速理解系统问题并驱动决策，降低跨部门协作门槛。

图：基于DeepSeek的自然语言故障诊断

在银行新一代核心交易系统中，DataBuff 生成式AI基于自然语言交互与自进化能力，提供多维度智能支持：

自然语言查询：业务或运维人员可直接提问（如“为何大额转账延迟？”），无需专业语法即可获取根因分析；自然语言可视化：自动生成交易成功率趋势、链路拓扑等图表，直观呈现问题影响范围；自然语言诊断：将技术异常（如接口超时、风控规则拦截）转化为业务描述（例“支付失败因第三方认证超时”），降低跨团队沟通成本；自进化知识库：持续学习历史故障与处置方案，提升对新型问题（如云原生资源争用）的诊断准确性；自动化处置建议：结合上下文推荐修复动作（如调整数据库连接池、优化微服务超时配置），加速故障恢复。
通过上述能力，该AI驱动技术数据向业务决策的高效转化，保障核心交易高可用与合规性。