# Отчёт — лабораторная 6 - Автор, группа: Бондаренко Мария, БПИ2302 - Целевая оценка: 4 ## 1. Архитектура и стек наблюдаемости В рамках лабораторной работы для распределённого сервиса мессенджера развёрнут единый контур наблюдаемости на базе OpenTelemetry и стека LGTM/Prometheus: * Сбор и маршрутизация телеметрии — OpenTelemetry Collector (otel-collector:4317/4318): * принимает сигналы по протоколу OTLP (gRPC и HTTP/protobuf) от messenger-api и messenger-worker; * применяет процессоры memory_limiter (ограничение памяти 256 MiB) и batch (пакетная отправка по 256 записей или каждые 2 секунды); * маршрутизирует данные в три независимых хранилища с использованием очередей отправки: * Метрики -> prometheusremotewrite; * Трейсы -> otlphttp/tempo; * Логи -> otlphttp/loki. * Хранилище метрик и правила алертинга — Prometheus: * запущен с флагом --web.enable-remote-write-receiver и ретеншеном 7 дней; * оценивает правила оповещений из /etc/prometheus/alerts.yml с интервалом 15s. * Хранилище структурированных логов — Grafana Loki: * использует схему хранения tsdb и локальное файловое хранилище; * индексирует атрибуты ресурса service.name, service.namespace, deployment.environment, а также поддерживает allow_structured_metadata: true. * Хранилище распределённых трассировок — Grafana Tempo: * принимает OTLP HTTP трейсы на порту 4318, хранит блоки локально с периодом хранения 168 часов. * Визуализация и корреляция — Grafana: * настроена через provisioning (datasources.yml и dashboards.yml); * реализована двусторонняя связка Logs <-Traces: * в источнике Loki настроено derivedFields по регулярному выражению "trace_id":"([0-9a-f]{32})" для перехода из строки лога в соответствующий трейс в Tempo; * в источнике Tempo настроено tracesToLogsV2 с фильтрацией по TraceID и тегу service.name. --- ## 2. Инструментирование сервисов ### 2.1. Сервис messenger-api (app.py) * Инициализированы TracerProvider, MeterProvider (экспорт каждые 5000 ms) и LoggerProvider через OTLP HTTP экспортеры. * Подключено автоматическое инструментирование FastAPI и кастомный HTTP middleware telemetry_middleware, фиксирующий низкокардинальные атрибуты. * Реализовано структурированное JSON-логирование, автоматически извлекающее активный контекст OpenTelemetry и добавляющее в каждую запись поля trace_id (32 hex-символа) и span_id (16 hex-символов), а также контекст запроса (method, path, status_code). * Реализован потокобезопасный пул соединений к PostgreSQL с корректным возвратом соединений в блоках finally. * При постановке задачи обработки вложения в таблицу outbox вызывается inject(job_payload), что сохраняет traceparent в JSON-полезной нагрузке задачи. ### 2.2. Асинхронный обработчик messenger-worker (worker.py) * Настроен экспорт метрик, логов и спанов с именем сервиса messenger-worker. * При чтении задачи из Redis Stream (attachment_jobs) воркер извлекает контекст трассировки с помощью extract(job) и открывает дочерний спан worker.process_attachment с атрибутами job.pipeline_version, job.attempt, job.outcome. * Реализован конвейер генерации трёх вариантов изображений (thumbnail 256px JPEG, optimized 1280px WebP, crop 128x128 JPEG), контроль таймаута (JOB_TIMEOUT_SECONDS=30), экспоненциальный backoff при временных сбоях и перенос исчерпавших попытки задач в Dead Letter Queue (attachment_jobs_dlq). --- ## 3. Реализованные метрики, дашборды и алерты ### 3.1. Набор метрик 1. Метрики API (RED и зависимости): * http_server_requests_total (Counter) — общее число HTTP-запросов по методу, маршруту и коду ответа; * http_server_errors_total (Counter) — количество ответов со статусом 4xx и 5xx; * http_server_request_duration_seconds (Histogram) — распределение длительности обработки HTTP-запросов; * http_server_dependency_errors_total (Counter) — счётчик ошибок внешних зависимостей (postgres, redis, s3, outbox, readiness); * db_pool_connections (ObservableGauge) — состояние соединений пула PostgreSQL в разрезе state="used" и state="idle". 2. Метрики Worker (очередь, насыщение, длительность): * worker_jobs_total (Counter) — количество завершённых задач по статусу (success, failed); * worker_job_duration_seconds (Histogram) — время обработки задачи воркером; * worker_jobs_in_progress (UpDownCounter) — число задач, обрабатываемых в текущий момент (saturation); * worker_job_retries_total (Counter) — число запланированных повторных попыток по типу исключения (reason); * worker_queue_depth (ObservableGauge) — текущая глубина очереди Redis Stream attachment_jobs; * worker_oldest_job_age_seconds (ObservableGauge) — возраст самой старой необработанной задачи в очереди. ### 3.2. Дашборды Grafana Подготовлены и автоматически загружены два дашборда в папку Messenger: * MTUSI Messenger — Lab 6 (Grade 3) (mtusi-messenger-lab6-g3): базовый мониторинг RPS, частоты ошибок, p95 задержки API, скорости и p95 длительности задач воркера, а также поток структурированных логов из Loki. * MTUSI Messenger — Lab 6 (Grade 4) (mtusi-messenger-lab6-g4): расширенный операционный дашборд, включающий: * API RPS (req/s) и API Error Ratio (%); * API Latency p50 / p95 / p99 (s); * DB Connection Pool (used / idle); * Queue Depth & Oldest Job Age; * Worker Saturation & Retries; * Worker Job Duration p50 / p95 / p99 (s); * панель Logs with TraceID (Loki) для быстрой навигации в Tempo. ### 3.3. Правила алертинга Prometheus (alerts.yml) Настроены две группы правил с интервалом оценки 15s: * MessengerApiHighErrorRate (warning) — доля ошибок API превышает 5% в течение 30s при нагрузке > 0.2 req/s. * MessengerApiDependencyErrors (critical) — зафиксированы ошибки обращения к PostgreSQL, Redis, S3 или в работе outbox в течение 30s. * MessengerApiHighLatencyP95 (warning) — 95-й перцентиль времени ответа API превышает 1.0s в течение 1m. * MessengerWorkerJobFailures (warning) — появление задач воркера со статусом failed в течение 30s. * MessengerWorkerQueueLag (critical) — возраст самой старой задачи превышает 30s или глубина очереди превышает 20 сообщений в течение 30s. --- ## 4. Проверка работоспособности и сквозной корреляции 1. Проверка статуса компонентов и приёма телеметрии: * Все контейнеры инфраструктуры (postgres, redis, s3, prometheus, loki, tempo, otel-collector, grafana) и приложения (api-1, api-2, worker, nginx) запущены и проходят проверки healthcheck. * В Prometheus подтверждено поступление временных рядов от otel-collector через Remote Write и активный статус правил в разделе /alerts. 2. Сквозной пользовательский сценарий с вложением: * Выполнена регистрация пользователя (POST /api/v1/users), создание сессии (POST /api/v1/auth/sessions), создание чата (POST /api/v1/chats) и загрузка изображения (POST /api/v1/chats/{chat_id}/attachments). * Воркер забрал задачу из потока attachment_jobs, сгенерировал варианты thumbnail, optimized, crop, сохранил их в бакет messenger-attachments в S3 и перевёл статус вложения в ready. 3. Проверка связки Metrics -> Logs -> Traces: * По всплеску на графиках Grafana открыта панель логов Loki, где для HTTP-запроса загрузки вложения зафиксирован JSON-лог с полем trace_id. * Переход по ссылке TraceID в Tempo отобразил единый распределённый трейс, начинающийся со спана POST /api/v1/chats/{chat_id}/attachments в сервисе messenger-api и продолжающийся дочерним спаном worker.process_attachment в сервисе messenger-worker. --- ## 5. Диагностика типовых инцидентов по данным телеметрии | Сценарий инцидента | Проявление на дашборде и в алертах | Локализация в Loki и Tempo | | :--- | :--- | :--- | | Остановка или деградация worker | Рост worker_queue_depth и линейный рост worker_oldest_job_age_seconds; срабатывание критического алерта MessengerWorkerQueueLag. | В логах messenger-api задачи успешно записываются в outbox и Redis Stream, однако спаны worker.process_attachment в Tempo отсутствуют до момента перезапуска воркера, после чего накопившаяся очередь дренируется. | | Недоступность S3 (SeaweedFS) при загрузке | Всплеск API Error Ratio (%) (ответы 503), рост http_server_dependency_errors_total{component="s3"}, срабатывание MessengerApiDependencyErrors и MessengerApiHighErrorRate. | Поиск в Loki по status_code=503 выявляет логи с trace_id; в Tempo трейс обрывается на спане загрузки в S3 без постановки задачи в outbox. | | Загрузка повреждённого файла изображения | Воркер фиксирует неудачную задачу (worker_jobs_total{status="failed"}), срабатывает алерт MessengerWorkerJobFailures без повторных ретраев (перманентная ошибка). | В логах messenger-worker фиксируется запись "Permanent image error" с error_code="invalid_image" и trace_id, позволяющая отследить исходный запрос загрузки в messenger-api. |