Bir uygulamanın baştan sona izlenmesini nasıl tasarlardınız?

Question

Accepted Answer

Altyapıdan değil, **kullanıcıların hissettiklerinden yukarıdan aşağıya** başlayın. En güvenilir ana bilgisayar filo, istekler başarısız olduğunda değersizdir, bu nedenle kullanıcıya dönük **SLI** ile başlayın — **gecikme**, **hata oranı**, **kullanılabilirlik** — ardından dört altın sinyali ekleyin, ardından altyapı metriklerini son olarak ekleyin.

## Katmanlandırma, kullanıcıdan içe doğru

```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)
```

Sadece CPU ve disk'i izlerseniz (aşağıdan yukarıya), tamamen yeşil olabilirsiniz ancak kullanıcılar 500s alır. SLI'ları ilk olarak izlemek (yukarıdan aşağıya) **kullanıcıların gerçekten hissettiği belirtileri** uyarmanız, ardından altın sinyaller ve altyapıya dalarak nedeni bulmanız anlamına gelir.

## Boru hattı: enstrüman → topla → pano → uyarı

```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
```

## Somut bir başlangıç noktası

```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])))
```

Her SLI için bir **SLO** tanımlayın (örn. %99,9 kullanılabilirlik, p99 < 300ms), bunları panoya ekleyin ve SLO risk altındayken uyarı verin — her küçük dalgalanmada değil.

## Neden önemli

Aşağıdan yukarıya oluşturulmuş izleme, size diskin %80 dolu olduğunu söyler, ancak müşterilerin ödemeyi tamamlayamadığını söylemez. Kullanıcıya dönük SLI'larla başlamak, her panoyu ve uyarıyı gerçek kullanıcı etkisine bağlar, paraziti düşük tutar ve bir şey kırıldığında net bir detay gitme yolu (semptom → altın sinyal → altyapı sebebi) sağlar.