Kako biste dizajnirali monitoring za aplikaciju od početka?

Question

Accepted Answer

Počnite **od vrha prema dolje od onoga što korisnici osjećaju**, ne od dna prema gore od infrastrukture. Najpouzdanija flota poslužitelja je beskorisna ako zahtjevi ne uspijevaju, pa počnite s **SLI-jima** okrenuti prema korisniku — **latencija**, **stopa greške**, **dostupnost** — zatim dodajte četiri zlatna signala, te infra metrike na kraju.

## Slojevitost, od korisnika prema unutra

```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)
```

Ako samo gledate CPU i disk (od dna prema gore), možete biti potpuno zeleni dok korisnici dobivaju 500e. Promatranje SLI-ja prvo (od vrha prema dolje) znači da obavijest izdajete na **simptome koje korisnici zaista osjećaju**, zatim istražujete dublje u zlatne signale i infra kako biste pronašli uzrok.

## Cjevovod: instrumentacija → prikupljanje → kontrolna plošća → obavijest

```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
```

## Konkretan početak

```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])))
```

Definirajte **SLO** na svakom SLI-ju (npr. 99,9% dostupnost, p99 < 300ms), prikazujte ih na kontrolnoj ploči, te izdajte obavijest kada je SLO u riziku — ne pri svakom blipanju.

## Zašto je to važno

Monitoring izgrađen od dna prema gore vam kaže da je disk 80% pun ali ne da klijenti ne mogu završiti kupovinu. Početak od SLI-ja okrenutih prema korisniku veže svaku kontrolnu ploču i obavijest natrag na pravi utjecaj na korisnike, держава buku niskom, i daje jasan put istrage (simptom → zlatni signal → uzrok infra) kada se nešto prekine.