Come progetteresti il monitoraggio per un'applicazione da zero?

Question

Accepted Answer

Inizia **dall'alto verso il basso da ciò che gli utenti percepiscono**, non dal basso verso l'alto dall'infrastruttura. La flotta host più affidabile è inutile se le richieste falliscono, quindi inizia con gli **SLI** rivolti all'utente — **latenza**, **tasso di errore**, **disponibilità** — quindi aggiungi i quattro segnali dorati, quindi le metriche infrastrutturali per ultime.

## Perché è importante

```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)
```

Se guardi solo CPU e disco (bottom-up), puoi stare completamente in verde mentre gli utenti ricevono 500. Guardare gli SLI per primi (top-down) significa che avvisi su **sintomi che gli utenti realmente sentono**, quindi approfondisci nei segnali dorati e infrastruttura per trovare la causa.

## La pipeline: strumentazione → raccolta → dashboard → avviso

```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
```

## Un punto di partenza concreto

```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])))
```

Definisci un **SLO** su ogni SLI (ad es. disponibilità 99,9%, p99 < 300ms), creane dashboard e avvisa quando l'SLO è a rischio — non ad ogni variazione.

## Perché è importante

Il monitoraggio costruito bottom-up ti dice che un disco è pieno all'80% ma non che i clienti non possono completare l'acquisto. Iniziare dagli SLI rivolti all'utente lega ogni dashboard e avviso all'impatto reale dell'utente, mantiene il rumore basso e fornisce un percorso di approfondimento chiaro (sintomo → segnale dorato → causa infrastrutturale) quando qualcosa si rompe.