Hvordan ville du utformet overvåking for en applikasjon fra bunnen av?

Question

Accepted Answer

Start **ovenfra-og-ned med hva brukere føler**, ikke undenfra-og-opp fra infrastruktur. Den mest pålitelige vertmaskinefloaten er verdiløs hvis forespørsler mislykkes, så begynn med bruker-vendt **SLI**-er — **latency**, **error rate**, **availability** — legg deretter til de fire gylne signalene, og deretter infrastrukturreininger sist.

## Lagene, fra bruker innover

```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)
```

Hvis du bare overvåker CPU og disk (undenfra-og-opp), kan du være helt grønn mens brukere får 500-er. Overvåking av SLI-er først (ovenfra-og-ned) betyr at du varsler på **symptomer brukere faktisk føler**, og deretter driller ned i gylne signaler og infra for å finne årsaken.

## Rørledningen: instrument → collect → dashboard → alert

```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
```

## Et konkret startpunkt

```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])))
```

Definer en **SLO** på hver SLI (f.eks. 99,9% tilgjengelighet, p99 < 300ms), dashbord dem, og varsle når SLO-en er i risiko — ikke ved hver svingning.

## Hvorfor det betyr noe

Overvåking bygget undenfra-og-opp forteller deg at en disk er 80% full, men ikke at kundene ikke kan gjennomføre kjøp. Å starte fra bruker-vendt SLI-er binder hver dashboard og varsel tilbake til faktisk brukereffekt, holder støy lav, og gir en klar drillnedsti (symptom → gylne signaler → infra-årsak) når noe går i stykker.