forked from mtusi2026/mtusi2026lab6
Реализовать лабораторную 6 на 5: SLO и обнаружение инцидентов
This commit is contained in:
@@ -0,0 +1,91 @@
|
||||
# Runbook: лабораторная 6
|
||||
|
||||
Открыть [dashboard](http://localhost:3000/d/messenger-lab6). Выбрать время инцидента,
|
||||
а не только последние пять минут. Все шаги диагностики ниже используют сохранённые
|
||||
Prometheus/Loki/Tempo данные. Команды управления выполняются **после** диагноза.
|
||||
Внешняя доставка alerts не настроена: состояние проверяется в Prometheus через
|
||||
Grafana datasource proxy (`research/observations.py`).
|
||||
|
||||
## api
|
||||
|
||||
1. Проверить `API 5xx / all business requests`, RPS и p95/p99. Health и ошибочный
|
||||
пароль не являются серверными 5xx. Посмотреть обе пары burn rate: 2m/30s и 6m/1m.
|
||||
2. В Explore → Loki выполнить
|
||||
`{service_name="messenger-api"} | json | status >= 500`.
|
||||
По `request_id` найти ответ пользователя; скопировать `trace_id` или нажать TraceID.
|
||||
3. В Tempo открыть trace. Развернуть server span и `postgresql.transaction`:
|
||||
медленный `postgresql.SELECT/INSERT` с `error.type=_WaitTimeout` и длительностью
|
||||
около 2s указывает на срабатывание I/O timeout ожидания PostgreSQL. Если сервер
|
||||
успел вернуть `LockNotAvailable`, дополнительно подтверждена блокировка.
|
||||
По одному `_WaitTimeout` нельзя отличить SQL lock от других причин медленной БД.
|
||||
Это отличается от медленного handler:
|
||||
при нём server span длинный, а DB spans короткие. `db.pool{state="used"}`
|
||||
показывает занятые соединения, `waiting` — ожидание свободного соединения.
|
||||
Наш эксперимент блокирует только messages, поэтому health остаётся успешным.
|
||||
4. После определения причины дождаться окончания ограниченного failpoint.
|
||||
Для досрочного восстановления своего учебного эксперимента:
|
||||
|
||||
```sh
|
||||
docker compose exec -T postgres psql -U messenger -d messenger -c \
|
||||
"SELECT pg_terminate_backend(pid) FROM pg_stat_activity WHERE application_name='lab6-incident'"
|
||||
```
|
||||
|
||||
5. Проверить успешные записи, короткие DB spans и спад error ratio.
|
||||
Alert должен перейти firing → inactive (resolved); long-window ratio может
|
||||
оставаться высоким, но short window уже должен очищаться. Состояния измеряются
|
||||
раз в 5s; не объявлять recovery по одному успешному запросу.
|
||||
|
||||
## ready
|
||||
|
||||
1. Проверить `Outstanding jobs` и `Oldest unfinished job age`. Это очередь
|
||||
незавершённых **durable jobs в БД**, включая outbox/retry/processing;
|
||||
длина Redis Stream сама по себе не отражает всю принятую работу.
|
||||
2. Сопоставить worker capacity/busy, process CPU/RSS и rate успешных jobs.
|
||||
Если capacity исчезла, successful jobs остановились, а acceptance продолжается
|
||||
и backlog/age растут — worker не обрабатывает очередь. После 30s устаревшие
|
||||
gauge series удаляются Collector; краткое сохранение старого значения допустимо.
|
||||
3. В Loki:
|
||||
`{service_name="messenger-api"} | json | event="attachment.accepted"`.
|
||||
Открыть trace: виден API → `attachments publish`, но в интервале простоя
|
||||
нет нового `attachments process`. После восстановления в том же trace появятся
|
||||
consumer → S3 GET/PUT → PostgreSQL UPDATE. Retry — отдельные producer/consumer
|
||||
spans с возрастающим `job.attempt` и логом `job.retry`.
|
||||
4. Восстановить worker: `docker compose start worker`.
|
||||
5. Проверить уменьшение backlog до 0, age до 0, возврат successful jobs и capacity.
|
||||
Ready SLO остаётся нарушенным для опоздавших заданий: позднее ready не превращает
|
||||
уже нарушенный 30s deadline в успешный. Дождаться resolved в обеих парах окон.
|
||||
|
||||
## telemetry
|
||||
|
||||
1. Проверить `up{job="collector"}`, `otelcol_exporter_queue_size` и
|
||||
`otelcol_exporter_send_failed_log_records_total`. Ошибки экспортёра сами по себе
|
||||
не равны числу окончательно потерянных записей: возможны retries.
|
||||
2. При живом Collector и ошибках только `otlphttp/loki` проверить доступность
|
||||
datasource Loki. Если API принимает сообщения и метрики/traces приходят,
|
||||
это отдельный отказ хранилища логов, а не отказ бизнес-API.
|
||||
3. Восстановить `docker compose start loki`. Collector ограничен 256 MiB,
|
||||
memory limiter 192 MiB, очередь каждого экспортёра — 64 batch, максимальный
|
||||
batch 128 records, retry не дольше 15s. SDK очереди traces/logs — по 256 записей;
|
||||
сеть работает в фоновых потоках. При исчерпании лимитов telemetry теряется.
|
||||
4. Проверить возобновление Loki ingestion и опустошение exporter queue.
|
||||
В `lab6-checks.json` число потерянных request logs считается по известным
|
||||
request IDs после восстановления, отдельно от счётчиков неудачных экспортов.
|
||||
|
||||
## SLO и интерпретация
|
||||
|
||||
- API: ≥99% business responses за скользящий час без 5xx. 4xx входят в
|
||||
denominator, но не numerator. Отказы LB/сети до API требуют внешнего probe
|
||||
и этим SLI не покрываются.
|
||||
- Изображения: ≥95% accepted jobs готовы за ≤30s; cohort оценивается после
|
||||
истечения deadline. Failed и не завершившиеся задания входят в bad.
|
||||
Скользящее окно — час **созревших** cohorts (acceptance сдвинута на 30s).
|
||||
- Fast burn: 6× бюджета одновременно за 2m и 30s, `for: 15s`.
|
||||
Slow burn: 3× за 6m и 1m, `for: 30s`. Это учебные окна для 1h SLO,
|
||||
а не механически перенесённые production окна для 30 дней.
|
||||
- Guards: ≥30 API requests / ≥5 mature jobs в long window и ≥2 события в short.
|
||||
Нет данных — нет утверждения об успешном SLO; проверять scrape и traffic.
|
||||
- `APIHighErrorRate` — single-window comparator (5%/30s, for 5s),
|
||||
`AttachmentQueueLag` — отдельный эксплуатационный warning (>20s, for 10s).
|
||||
Сравнивать их с burn alerts, а не считать любой warning доказательством
|
||||
исчерпания бюджета. Данные одного короткого эксперимента не доказывают
|
||||
соблюдение SLO в течение полного часа или отсутствие ложных срабатываний вообще.
|
||||
Reference in New Issue
Block a user