Ανοδική παρακολούθηση

1) Γιατί να παρακολουθείτε την άνοδο του χρόνου

Uptime - το μερίδιο του χρόνου κατά τον οποίο η υπηρεσία είναι διαθέσιμη στο χρήστη. Αυτή είναι η «πρώτη γραμμή» παρατηρησιμότητας: παρατηρήστε αμέσως προβλήματα μη προσβασιμότητας, υποβάθμισης του δικτύου, βλάβης DNS/TLS, δρομολόγησης ή CDN. Για τα συστήματα υψηλού φορτίου και τα ρυθμιζόμενα συστήματα (fintech, iGaming), το uptime επηρεάζει άμεσα τα έσοδα, τις επιδόσεις SLA και τους κινδύνους επιβολής κυρώσεων.

2) Όροι και τύποι

Διαθεσιμότητα SLI: «SLI = (επιτυχείς έλεγχοι/όλοι οι έλεγχοι) × 100%».
SLO: στοχευόμενη διαθεσιμότητα ανά παράθυρο (συνήθως 28-30 ημέρες), για παράδειγμα 99. 9%.
SLA: εξωτερική υποχρέωση· πάντα ≤ εσωτερικό SLO.
MTBF/MTTR: μέσος χρόνος μεταξύ αστοχιών/μέσου χρόνου ανάκτησης.

99. 0% → ~ 432 λεπτά μη διαθέσιμα

99. 9% → ~ 43 λεπτά

99. 99% → ~4. 3 λεπτά

99. 999% → ~ 26 sec

3) Ποιοι έλεγχοι χρειάζονται (μαύρο κουτί)

Δρομολογήθηκε από εξωτερικά σημεία (διαφορετικές περιοχές/πάροχοι) για να δει την υπηρεσία «μέσω των ματιών του πελάτη».

1. ICMP (ping) - βασική δικτύωση/διαθεσιμότητα κόμβου. Ταχεία, αλλά όχι αντανακλαστική της επιχειρηματικής επιτυχίας.
2. Σύνδεση TCP - ακρόαση θύρας Χρήσιμο για τους μεσίτες/DB/SMTP.
3. HTTP/HTTPS - κωδικός κατάστασης, κεφαλίδες, μέγεθος, ανακατευθύνσεις, χρόνος για το πρώτο byte.
4. TLS/πιστοποιητικά - περίοδος ισχύος, αλυσίδα, αλγόριθμοι, SNI, πρωτόκολλα.
5. DNS - A/AAAA/CNAME, NS-υγεία, διανομή, DNSSEC.
6. gRPC - κατάσταση κλήσης, προθεσμία, μεταδεδομένα.
7. WebSocket/SSE - χειραψία, συντήρηση σύνδεσης, μήνυμα ηχώ.
8. Proxy/routing/CDN - διαφορετικά PoPs, cache hash, geo-variances.
9. Συνθετικά σενάρια συναλλαγών (κλικ/έντυπα): «login → search → deposit (sandbox)».
10. Παρακολούθηση καρδιακού παλμού/καρδιακού παλμού - η υπηρεσία πρέπει να είναι «παλμική» (αγκίστρι μία φορά κάθε N λεπτά)· κανένα σήμα - συναγερμός.

• Ορίστε χρονοδιαγράμματα πιο κοντά στο πραγματικό UX (για παράδειγμα, TTFB ≤ 300 ms, σύνολο ≤ 2 s).
• Ελέγξτε το περιουσιακό στοιχείο περιεχομένου (λέξη-κλειδί/πεδίο JSON) έτσι ώστε το «200 OK» με ένα σφάλμα να μην θεωρείται επιτυχία.
• Διπλοί έλεγχοι μέσω ανεξάρτητων παρόχων και δικτύων (multi-hop, διαφορετικά ASN).

4) Λευκό κουτί και υπηρεσίες υγείας

Δοκιμές ζωντάνιας/ετοιμότητας για τον ενορχηστρωτή (οι διεργασίες είναι ζωντανές έτοιμη για κυκλοφορία;).
Υγεία εξάρτησης: DB, cache, μεσίτης γεγονότων, εξωτερικές API (πληρωμές/KYC/AML).
Σημαίες/υποβάθμιση χαρακτηριστικών: σε περίπτωση προβλημάτων, απενεργοποιούνται απαλά οι μη κρίσιμες διαδρομές.

Τα λευκά δείγματα δεν αντικαθιστούν τους εξωτερικούς ελέγχους: η υπηρεσία μπορεί να είναι «υγιής στο εσωτερικό», αλλά να μην είναι διαθέσιμη στο χρήστη λόγω DNS/TLS/διαδρομής.

5) Γεωγραφία και πολυπεριφερειακός χαρακτήρας

Λειτουργία συνθετικών από βασικές κυκλοφοριακές περιοχές και παρόχους σχεδόν κρίσιμης εξάρτησης.
Απαρτία: ένα περιστατικό καταγράφεται σε περίπτωση αποτυχίας σε περιοχές ≥ Ν (για παράδειγμα, 2 από 3) να διακόψουν τις τοπικές ανωμαλίες.
Όριο ανά ομάδα: χωριστή SLI/SLO για σημαντικά τμήματα (χώρες, VIP, μεταφορείς).

6) Πολιτική προειδοποίησης (ελάχιστος θόρυβος)

Πολυπεριφέρεια + πολυ-καθετήρας: βομβητής μόνο σε περίπτωση σταθερής βλάβης (για παράδειγμα, HTTP και TLS ταυτόχρονα, ≥ 2 περιφέρειες).
Debowns: N διαδοχικές αστοχίες ή παράθυρο 2-3 λεπτών πριν από την τηλεειδοποίηση.

• L1: εφημερία (υπηρεσίες παραγωγής).
• L2 δίκτυο/πλατφόρμα/ασφάλεια με βάση την υπογραφή αστοχίας.
• Αυτόματο κλείσιμο: μετά από σταθερούς M επιτυχημένους ελέγχους.
• Ήσυχες ώρες/παραχωρήσεις: για μη κρίσιμες εσωτερικές υπηρεσίες - μόνο εισιτήρια, χωρίς βομβαρδισμό.

7) Σελίδα κατάστασης και επικοινωνία

Δημόσιες (πελάτης) και ιδιωτικές (εσωτερικές) σελίδες κατάστασης.
Αυτόματα περιστατικά από συνθετικά + χειροκίνητες σημειώσεις.
Υποδείγματα μηνυμάτων: Ανιχνεύθηκε - Προσδιορισμένος - Αντίκτυπος - Εργασία γύρω από - ΠΩΑ - Επιλύθηκε - Μετα-Mordem.
Προγραμματισμένα παράθυρα: αναγγελία εκ των προτέρων, εξέταση εξαιρέσεων χωριστά από την SLO.

8) Εξέταση των εξωτερικών εξαρτήσεων

Για κάθε πάροχο (πληρωμές, KYC, ταχυδρομικές αποστολές, CDN, σύννεφα) - οι δικοί του έλεγχοι από διάφορες περιοχές.
Διαδρομές πτώσης: αυτόματη μετάβαση σε εναλλακτικό πάροχο με τη χρήση συνθετικού σήματος.
Χωριστές SLO σε επίπεδο παρόχου και ολοκληρωμένες e2e-SLO.
Συμφωνία με τους παρόχους υπηρεσιών SLA (status webhooks, προτεραιότητα υποστήριξης).

9) Πίνακες και γραφικές παραστάσεις κλειδιών

Παγκόσμιος χάρτης με την κατάσταση των ελέγχων (κατά τύπο: HTTP, DNS, TLS).
Χρονοδιάγραμμα συμβάντων με σχολιασμούς απελευθέρωσης/σημαίας.
TTFB/TTL/καθυστέρηση ανά περιοχή.
Διαθεσιμότητα ανά κατηγορία (χώρα/πάροχος/συσκευή).
MTTR/MTBF, «αδρανή λεπτά» και «καύση προς τα κάτω» τάσεις του διαθέσιμου προϋπολογισμού για το μήνα.
Βασικοί λόγοι αποτυχίας (TLS-λήξη, ανάλυση DNS, 5xx, timeouts).

10) Διαδικασία περιστατικού (μεταβατικό σενάριο)

1. Ενεργοποιείται συναγερμός πολλαπλών περιοχών/πολλαπλών τύπων.
2. Ο υπεύθυνος υπηρεσίας επιβεβαιώνει, ενεργοποιεί το πάγωμα των απελευθερώσεων, ενημερώνει τους ιδιοκτήτες.
3. Ταχεία διάγνωση: κατάσταση DNS/TLS/CDN, τελευταίες κυκλοφορίες, πρόγραμμα σφαλμάτων.
4. Παράκαμψη: αλλαγή διαδρομής, αναδιπλούμενο περιεχόμενο/πάροχος, που καθιστά δυνατή τη λειτουργία αποικοδόμησης.
5. Ανάκτηση: επαλήθευση ότι τα συνθετικά/πραγματική κυκλοφορία είναι πράσινα.
6. Ανακοίνωση στη σελίδα της κατάστασης· το κλείσιμο του συμβάντος.
7. RCA και στοιχεία δράσης: διορθώσεις, δοκιμές, προειδοποιήσεις, βιβλία αναπαραγωγής.

) SLA/SLO Αναφορά

Μηνιαίες εκθέσεις: uptime by service/region, minutes of downtime, MTTR, λόγοι.
Σύγκριση με την SLA: πιστώσεις/αντισταθμίσεις, κατά περίπτωση.
Τριμηνιαίες επισκοπήσεις: επικαιροποίηση των κατώτατων ορίων, διανομή συνθετικών, κατάλογος εξαρτήσεων.

12) Υποδείγματα επιθεώρησης (παράδειγμα)

• Μέθοδος: «GET/healthz/public» (χωρίς μυστικά).
• Timeout: 2 s, επανάληψη: 1.
• Επιτυχία: '2xx', κεφαλίδα' X-App-Version' παρούσα, πεδίο JSON '«status»:» ok»'.

• Όρος> 14 ημέρες, έγκυρη αλυσίδα, TLS πρωτοκόλλων 1. 2 + ', σωστή SNI.

• Χρόνος απόκρισης ≤ 100 ms, τα αρχεία A/AAAA είναι σύμφωνα με το σχέδιο, δεν υπάρχει SERVFAIL/ΑΠΟΡΡΊΦΘΗΚΕ.

• Webhook '/beat/{ service} 'κάθε 5 λεπτά; απουσία 2 σημάτων στη σειρά - καταχώριση L2 (προϋπάρχοντα καθήκοντα/ETL).

13) Κατάλογος ελέγχου εφαρμογής

• Πολυπεριφερειακοί εξωτερικοί έλεγχοι (HTTP/TCP/DNS/TLS/βαθιές γραφές).
• Δείγματα λευκής ετοιμότητας/ζωντανότητας για τον ενορχηστρωτή.
• Διαχωρισμός κρίσιμων/μη κρίσιμων διαδρομών, σημαιών υποβάθμισης.
• Απαρτία και χρέωση σε ειδοποιήσεις, κλιμάκωση και αυτόματο κλείσιμο.
• Δημόσιες και εσωτερικές σελίδες κατάστασης, υποδείγματα μηνυμάτων.
• Χωριστοί έλεγχοι και SLO για εξωτερικούς παρόχους + αυτόματη αστοχία.
• Ταμπλό: χάρτης, χρονοδιάγραμμα, εκατοστημόρια, λεπτά αδράνειας, MTTR/MTBF.
• Τακτικές εκθέσεις SLA/SLO και RCA μετά το συμβάν.

14) Συχνά σφάλματα

Μόνο το ping/port χωρίς HTTP/περιεχόμενο είναι πράσινο όταν δεν είναι διαθέσιμο.
Ένα σημείο παρακολούθησης - ψευδώς θετικά/αρνητικά συμπεράσματα.
Δεν υπάρχει έλεγχος TLS/DNS - αιφνίδιες διακοπές λόγω καθυστέρησης/παραπλάνησης.
Επιπλέον θόρυβος: προειδοποιήσεις για μεμονωμένες αστοχίες από την ίδια περιοχή/τύπο ελέγχου.
Καμία σύνδεση με αλλαγές - δεν υπάρχουν σημειώσεις για κυκλοφορίες και σημαίες στα ταμπλό.
Μη ληφθείσες εξαρτήσεις - ο πάροχος πληρωμών έχει μειωθεί και η συνολική κατάσταση είναι «πράσινη».

15) Η τελική γραμμή

Το uptime tracking δεν είναι μόνο "κορυφώνονται URL. "Πρόκειται για ένα σύστημα συνθετικών ελέγχων από πραγματικές περιοχές, εύλογων προειδοποιήσεων χωρίς θόρυβο, διαφανούς επικοινωνίας μέσω σελίδων κατάστασης, συνυπολογισμού εξωτερικών εξαρτήσεων και αυστηρής υποβολής εκθέσεων. Η ορθά ενσωματωμένη παρακολούθηση uptime μειώνει το MTTR, προστατεύει τις SLA και διατηρεί την προβλεψιμότητα της εμπειρίας του χρήστη.