# 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.