Jaká je strategie pozorovatelnosti pro logy, metriky a trasování ve velkém měřítku?

Question

Accepted Answer

Pozorovatelnost spočívá na **třech pilířích** — **logerecích**, **metrikách** a **trasováních** — a cílem je odpovědět na otázku "co je špatně a proč" pro systém příliš velký na to, aby se dal zkontrolovat ručně. Ve velkém měřítku je strategie o korelaci, vzorkování a nákladech.

## Tři pilíře

| Pillar | Odpovídá na | Nástrojů |
|---|---|---|
| Metrics | Je něco špatně? (rates, latency) | Prometheus, Grafana |
| Traces | Kde v toku? | OpenTelemetry, Jaeger |
| Logs | Co přesně se stalo? | ELK, Loki |

```text
Metrics alert ─▶ trace pinpoints the slow service ─▶ logs explain the cause
   (broad)              (path)                          (detail)
```

## Udělejte je korelované

ID trasování/korelace musí procházet štítky metrik, řádky protokolu a rozpětí, abyste mezi nimi mohli pivotovat.

```text
log line:  level=error trace_id=abc123 service=payments msg="gateway timeout"
                       ^^^^^^^^^^^^^^^ same id appears in the trace + metrics
```

## Obavy v rozsahu

```text
✓ Standardize: OpenTelemetry across all services
✓ Use structured (JSON) logs — queryable, not grep-only
✓ Sample traces (e.g. keep all errors + 1% of success) to control cost
✓ Define SLOs and alert on symptoms (latency/error rate), not noise
✓ RED/USE method for dashboards (Rate, Errors, Duration)
```

## Chyba

Logging všeho na 100 % je nepřijatelný a zahlazuje signál. Místo toho vzorkujte, strukturujte a upozorňujte na SLOs.

## Proč je to důležité

S stovkami služeb si nemůžete SSH a podívat se — pozorovatelnost je jediný způsob, jak pochopit chování produkce.

Vítězná strategie je korelovaná, vzorkovaná a řízená SLO: rychle vynese skutečné problémy, aniž by vám zničila nákup úložiště telemetrie nebo pohřbila on-call v hluku.

Metrics	Je něco špatně? (rates, latency)	Prometheus, Grafana
Traces	Kde v toku?	OpenTelemetry, Jaeger
Logs	Co přesně se stalo?	ELK, Loki