Conas a dhearfá monatóireacht d'fheidhmchlár ó thús?

Question

Accepted Answer

Tosaigh **ó bharr anuas ó bhraistintí na n-úsáideoirí**, ní ó bhun aníos ó bhonneagair. Níl an fhile óstabhile is iontaofa ann fónt más tá iarraidh teipeachaithe ann, mar sin tosaigh le **SLI**anna a bhhreathnú ar an úsáideoir — **ama freagartha**, **ráta earráide**, **infheidhmitheacht** — ansin cuir na ceithre comharthaí órga leis, agus méadreolaigí bonneagair deireanach.

## An sraitheadh, ó úsáideoir isteach

```text
1. USER-FACING SLIs   → what the user experiences (latency, errors, availability)
2. GOLDEN SIGNALS     → latency, traffic, errors, saturation per service
3. INFRA METRICS      → CPU, memory, disk, network (causes, not symptoms)
```

Má bhreathnaíonn tú ar CPU agus diosca amháin (bun aníos), is féidir leat a bheith geal-gheal fad a bhíonn 500s á fháil ag úsáideoirí. Ag breathnú ar SLI ar dtús (barr anuas) ciallaíonn sé go bhfógraíonn tú ar **shíomptóim a mhothaíonn úsáideoirí i ndáiríre**, ansin drileáil síos go comharthaí órga agus bonneagair chun an chúis a fháil.

## An bíolchlár: gréasúchán → bhaileadh → dásboard → fógra

```text
INSTRUMENT  app emits metrics/logs/traces (e.g. request_duration_seconds histogram)
   ↓
COLLECT     a TSDB scrapes/ingests them (Prometheus, Datadog agent)
   ↓
DASHBOARD   visualize SLIs + golden signals (Grafana) for humans to read
   ↓
ALERT       fire on SLO violations / burn rate, routed to on-call
```

## Pointe tosaigh nithiúil

```promql
# Availability SLI: fraction of requests that succeed
sum(rate(http_requests_total{status!~"5.."}[5m]))
  / sum(rate(http_requests_total[5m]))

# Latency SLI: p99 request latency
histogram_quantile(0.99, sum by (le) (rate(http_request_duration_seconds_bucket[5m])))
```

Sainiú **SLO** ar gach SLI (m.sh. 99.9% infheidhmitheachta, p99 < 300ms), a dhás-bhord, agus fógra nuair atá an SLO i mbaol — ní ar gach scréib.

## An fáth a bhfuil sé tábhachtach

Monatóireacht a tógadh ó bhun aníos a insíonn duit go bhfuil diosca 80% lán ach ní go nach féidir le custaiméirí a dhul ar aghaidh. Tosú ó SLI a bhbreathnú ar an úsáideoir ceangailte gach dásboard agus fógra ar ais go dtí iarmhairt fíor-úsáideora, coinníonn gleo íseal, agus tugann cosán dhrileála soiléir (síomptóim → comhartha órga → cúis bonneagair) nuair a bhriseann rud éigin.