微服务、云原生等推动力带来了应用架构的巨大变革，服务数量增加，单个服务复杂度降低，但分布式应用的整体复杂度急剧增长。在云原生环境中，如何实现应用可观测性、从而让业务可控，成为开发者面临的重要难题。利用 eBPF 释放的全新内核可编程性，DeepFlow 创新的实现了 AutoMetrics、AutoTracing、AutoLogging 能力，开发者无需打桩插码，即可实现云原生应用的全栈可观测性。 内容提纲： ● 从 cBPF 到 eBPF 的 AutoMetrics 能力 ● 从 InProcess 到 Distributed 的 AutoTracing 能力 ● 从 kprobe 到 uprobe 的 AutoLogging 能力 目标听众及听众收益： ● 获取 eBPF 在可观测性领域的最佳实践 ● 了解 DeepFlow 云原生可观测性平台

eBPF作为近年来内核热门的领域之一，在upstream的发展速度极快。然而，内核在生产环境中往往追求稳定性，业务方往往希望使用稳定的旧版本内核，但又希望使用一些较新的bpf特性。我们基于plugsched调度器热升级技术进行研发，将bpf子系统模块化后，就能在稳定的低版本内核上适应灵活的开发需要，从而达成二者兼顾的效果。 bpf冷升级（plugbpf）继承了plugsched无需重启机器、毫秒级downtime的优势，通过替换内核syscall和接口函数做到让用户无感知，用户仅需正常地、普通地像在高版本内核上一样直接运行自己的bpf程序即可。 plugbpf以模块的方式工作，目前支持x86平台的4.19与5.10版本的内核，用户可在确保原系统没有活跃的bpf程序后加载模块。

在本次议题中，我们将讲解eBPF和私密计算（Confidential Computing）的基础知识，基于开源实践的两个领域的一些生态结合的思考，以及对未来eBPF与私密计算发展的思考

可观测性技术在已有trace, log，metrics的技术下，仍然面临定位根因问题难。互联网企业落地1-5-10有着非常大的挑战，主要原因就是当前定位问题根因的技术仍然不成熟，定位根因绝大多数依赖技术人员的经验。 国外基于eBPF技术构建的Continues Profiling是非常火热的议题，因为Continues Profiling被寄予厚望能够找到问题根因。但是根据我们的研究，Continues profiling目前只能解决CPU单一维度的问题，并且很难到trace级别，在生产环境多用户访问的情况下很难实际被使用。 Kindling全球首创提出来了基于eBPF技术的trace_profiling技术，将profiling的粒度缩小的trace级别，帮助用户定位一次请求，并且通过eBPF技术将trace代码执行过程转化成trace级别的资源消耗过程，从而提供标准化方式定位问题根因。 Kindling是如何构建trace_profiling以及trace_profiling适用的场景。

在服务网格场景中，为了能在应用程序完全无感知的情况下利用边车进行流量治理，需要把 Pod 的出入口流量都转发到边车。在这种情况下，最常见的解决方案就是使用 iptables (netfilter) 的重定向能力。这种方案的缺点是增加了网络延迟，因为 iptables 对出口流量和入口流量都进行拦截。以入口流量为例，原本直接流向应用的流量，需要先由 iptables 转发到边车，再由边车将流量转发到实际的应用。原本只需要在内核态处理两次的链路如今变成四次，损失了不少性能。 本次演讲将介绍 Merbridge 项目的实现原理，讲解其如何通过 eBPF 为多种服务网格实现（Istio、kuma、linkerd2）实现网络加速。

1. BPF 技术简介 2. BPF 技术在云原生领域应用 3. BPF 技术在百度云原生实践