目標はページ問題が発生する前に問題をキャッチすることです。つまり、それを吸収する余裕がまだある間に劣化を見つけることです。これは先行指標を監視し、エラーバジェット付きの SLO を定義し、システムが失敗するのを待つのではなく積極的にシステムをプロービングすることを意味します。
は信頼性を数値に変えます (例: リクエストの 99.9% が成功)。残りの 0.1% がです。を追跡することで、実際に SLO に違反してユーザーが気づく前に、バジェットを使いすぎている速度でアラートを発することができます。
SLO 99.9% → 0.1% error budget/month (~43 min of downtime)
burn rate rising fast → you'll exhaust it in 2 days → alert NOW, while it's fixable
SYNTHETIC MONITORING scripted checks hit critical paths on a schedule
(login, checkout) → fails even at 3am with zero real traffic
HEALTH CHECKS /healthz endpoints + dependency checks → load balancer
pulls bad instances before users hit them
RUM (real-user mon.) measure latency/errors from actual browsers/devices →
catches issues only some users/regions see
シンセティック監視が強力なのは、ユーザーを待たないからです。システムを継続的に実行するため、チェックアウトの問題は朝の 3 時に見つかり、朝の利用者が文句を言う時ではありません。
最も初期の兆候はリソースにあります。まだユーザー向けのエラーには現れていません。静的なラインだけでなく、トレンドでアラートを出してください。
LEADING INDICATORS saturation (CPU/mem climbing), queue depth growing,
connection-pool nearing limit, latency CREEPING up
ANOMALY DETECTION flag deviation from the normal baseline / seasonality
TREND ALERTS "disk will fill in 4h at this rate" → act before it's full
ゆっくり上昇する p99 またはキューの増加は警告信号です。蓄積に対応することで、その蓄積が向かっていた停止を防ぐことができます。
リアクティブなモニタリングは、ユーザーがアラートシステムであることを意味します。ユーザーが不満を言う時には、インシデントは既にライブで、エラーバジェットは使い尽くされています。プロアクティブな検出 (SLO バーンレート、シンセティック、ヘルスチェック、RUM、先行指標、トレンド/異常アラート) はリードタイムを購入します。つまり、飽和したキューまたはゆっくり増加するレイテンシを 2am のページと怒ったカスタマーになる前に修正できます。そのリードタイムは、静かな修正と停止の違いです。