Kaip nustatyti problemas prieš naudotojams skundžiantis?

Question

Accepted Answer

Tikslas yra sugauti problemas **prieš joms pasiekiant puslapį** — rasti blogėjimą, kai dar yra laisvos erdvės jį sugerti. Tai reiškia stebėti **pirmaujančius indikatorius**, apibrėžti **SLO su klaidų biudžetais** ir aktyviai tikrinti sistemą, o ne laukti, kol ji sugriš.

## SLO ir klaidų biudžetai

**SLO** patikimumą paverčia skaičiumi (pvz., 99,9% užklausų sėkmingos). Likę 0,1% — tai jūsų **klaidų biudžetas**. Stebint **eigos greitį** galima perspėti, kai biudžetą išleisdinate per greitai — daug anksčiau nei faktiškai pažeistumėte SLO ir naudotojai to pastebėtų.

```text
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
```

## Aktyvus tikrinimas, ne tik pasyvūs metrikal

```text
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
```

Sintezinis monitoringas yra galingas, nes nelaukia naudotojo — nuolat apkrauna sistemą, todėl sulaužyta pirkimo seka randama 3 val. ryto, o ne kai ryte skundžiasi naudotojai.

## Pirmaujantys indikatoriai ir tendencijos

Ankstyviausi ženklai matomi resursuose, o ne dar naudotojams matomose klaidose. Perspėti pagal **tendenciją**, ne tik pagal statinę ribą.

```text
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
```

Lėtai kylantis p99 arba auganti eilė — tai perspėjimas: veikdami tokį lėtą didėjimą, išvengate po jo slapstašio nutrūkimo.

## Kodėl tai svarbu

Reaktyvusis monitoringas reiškia, kad naudotojai yra jūsų perspėjimo sistema — kai jie skundžiasi, incidentas jau gyvybiškai aktyvi ir jūsų klaidų biudžetas išleistas. Proaktyvus nustatymas (SLO eigos greitis, sintezinis monitoringas, sveikatos patikros, RUM, pirmaujantys indikatoriai, tendencijų/anomalijų perspėjimai) suteikia laiko rezervą: sutaisote prisotintą eilę arba kylančią latenciją prieš nei ji taps 2 val. ryto iškviesa ir pyklio naudotoju. Tas laiko rezervas — tai skirtumas tarp ramaus taisymo ir po žemiško gedimo.