Реализовать лабораторную 6 на 5: SLO и обнаружение инцидентов

This commit is contained in:
Ванек
2026-11-19 18:53:24 +03:00
parent 470d9d6f1e
commit 8dad129edf
127 changed files with 53496 additions and 61 deletions
+91
View File
@@ -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.