Analytics APIとパフォーマンス指標

1）なぜそれを必要とします

• SLOとSLAの実装を証明し、
• 帯域幅とクエリの経済学を管理します、
• すぐに分解をローカライズして下さい（p99尾、5xx破烈）、
• ビジネスインパクトの最適化を優先します。

目的：共通識別子と一貫したSLIを使用して、各リクエストを境界からDBまで追跡する単一のオブザビリティモデル。

2）メトリクスの分類

テクニカル：RPS、レイテンシ（p50/p95/p99）、エラー率（4xx/5xx）、彩度（CPU、メモリ、ファイルデスク）、キュー時間。
製品：成功した操作/分、ステップ変換（200/合計）、レート制限シェア（429）、リトレイ、ユーザーセグメント。
Cost： cost/request （CPU-ms+egress+database request）、 cost of feature/endpoint、 $/tenant、 $/1k calls。

3）「黄金の信号」： 赤くおよび使用

• Rate-リクエスト/秒（エンドポイント/テナント/プラン別）。
• エラー-4xx/5xx/429分数と絶対。
• 期間-p50/p95/p99エンドツーエンドとステージ別（ingress→app→DB→サードパーティ）。

• 使用率-CPU/IO/チャネル負荷。
• 彩度-キュー（ランキュー、バックログ、DB待ち）。
• エラー-ドライバーエラー/タイムアウト。

4）基本的な定義と数式

可用性SLI： '1 − （5xx+gateway_timeout）/all_requests'。
成功SLI： '2xx/（ all − 429_shadow）'（シャドウロックを除く）。
Apdex： '（|T≤T|+0。5·|T≤4T| ）/all'、ここで'T'はターゲット「良い」しきい値です。
テール増幅：'p99_total − max （p99_stage_i）'-キュー/コンポジションの貢献。
99でエラー予算（月）。9％： 'budget=0。1％ period_time'。

遅延ヒストグラムの推奨パーセンタイルビン：'［5ms、 10ms、 25ms、 50ms、 100ms、 250ms、 500ms、 1s、 2。5s、 5s］。

5）バーンレートによるSLI/SLOおよび警報

• 空室状況：≥ 99。9％/30日。
• p95レイテンシ'GET/wallet/balance' <150 ms；'POST/payments' <400 ms。
• エラー'5xx' <0。2%.'429'（ソリッド）<トラフィック全体の1％

• 1時間の予算の2％または6時間の5％→エンジニアへのページ。
• 1日あたり10％→RCA優先順位付け。

6）メトリックのセット（収集するものは必須です）

• 'http_requests_total {route、 method、 status、 tenant、 plan}'
• 'http_request_duration_seconds_bucket {route、……}'（ヒストグラム）
• 'retries_total {reason}'、 'rate_limited_total {key、 policy}'
• 本体サイズ：'request_bytes'、 'response_bytes'

• 'db_client_requests_total {op、 table}'、 'db_latency_seconds_bucket {op}'
• 'cache_ops_total {op}'、キャッシュのヒットレート外部コール：'outbound_calls_total {provider、 op}'、レイテンシ/エラー/キューのタイムアウト/プール：長さ/遅延、アクティブなリソースUSE workers： CPU、 RSS、 FD、 GC pauses

ビジネスラベル：'tenant_id'、 'region'、 'kyc_level'、 'plan'、 'feature_flag'。

7）トレースと相関（OpenTelemetry）

すべてのホップのW3C Trace-Context （'traceparent'、 'tracestate'）。
ステージごとのスパン：ingress→authZ→app handler→DB/Redis→PSP/external。

属性/ラベル： 'http。ルート'、'エンドユーザー。id'、テナント。id'、'idempotency。キー'、'リスク。「スコア」

例：レイテンシ/エラーグラフ上のポイントを特定のトレースIDに関連付けます。

• head-based 1-10％ for 「normal」パス、
• 尾のためのテールベース（遅い/誤った）、
• ピークやインシデントに適応します。
• 手荷物：各イベントをマーキングせずにカットのための'テナント'/'リスク'を運びます。

8）ログ： 構造とプライバシー

構造化されたJSON；必須フィールドは'ts'、' trace_id'、'span_id'、'route'、'status'、'latency_ms'、'tenant'、'user_id_hash'です。
PIIの方針：マスクPAN/PII；秘密/トークンを拒否します。
ログサンプリング：4xx/5xx/429および「長い」要求のための高い。

9）ダッシュボードマップ（最小セット）

1.Exec-Summary： RPS、可用性、エラーレート、p95/p99レイテンシ、429シェア、バーンレート予算。
2.ルートごと：RPS/Error/Tailによるトップエンドポイント；バージョンの比較（カナリア）。
3.テナントごと/プラン：ロード/コスト/エラーリーダー。
4.依存性健全：DB、キャッシュ、PSP/外部-レイテンシー、エラー、彩度。
5.容量：CPU/RAM/FDのキュー、接続プール、GCの容器の限界。
6.セキュリティ/乱用：401/403、429/政治家、地理/ASNスライス、リトレイスパイク。

10）アラート（しきい値と傾向）

'error_rate {route}'> 2％（5分）およびRPS> N→pager。
'p99_latency {critical}'>ターゲットしきい値（10分）。
'burn_rate'を予算単位で指定します（第5章を参照）。
DB 'timeouts'/' deadlocks'またはgrowth 'queue_time'> X ms。
外部プロバイダ：'outbound_5xx_rate {provider}'> 1％+SLO依存。

11）容量性の計画および性能

Little's law： 'L=λ· W'（平均キュー長=トラフィック×平均時間）。
ターゲットp95は'ingress+app+DB+external+queue'と分解されます。
同時予算：同時書き込み操作の最大数を修正します。
予算のメートル：「要求ごとのCPU ms」；ピークまで30〜50％のマージンを維持しています。
レート制限との相互作用：クォータ「天井」での要求の割合とレイテンシーへの影響を測定します。

12）負荷および総合的な点検

タイプ：ベースロード、バースト× 10「、ステップ」、長期的なplateaus、ストレス/カオス（ノード殺害、ネットワーク遅延）、重要なクライアントシナリオに応じた合成。
プロファイリング：CPU/alloc/lock-contention、 N+1 （SQL/HTTP）、遅いコード。
回帰制御：p95/p99/errors before/after release（カナリア）の比較。

13）費用観察可能性

コストメトリック：'cpu_ms'、 'egress_bytes'、 'db_calls'、'$per 1k requests'。
エンドポイント/テナント/フィーチャーへの割り当て：オーケストレーター+ロードメトリック→APIユニットエコノミクスレポートからの請求タグ。
最適化アルゴリズム：製品「トラフィック×コスト× （p95 − target）」でTOPエンドポイントを選択します。

14）テナントごとの分析と「正義」

すべての主要な指標は'tenant_id/plan'というラベルが付けられています。
p99尾の「重い」顧客の共有；個々の制限/クォータと再配置予算。
フェアシャーリング：過負荷になると「、知名度の高い」テナントのシェアを減らします。

15） iGaming/Financeの詳細

'kyc_level'、 'risk_tier'、 'payment_method'によるセクション。
「money」パス（'POST/deposits'、' POST/出金'）のSLI：ターゲットp95を下げ、個別のエラー予算。
Time-to-Wallet （TTW）指標、不正防止オートロックの共有、ペイアウト変換。
監査：金融行為および詐欺防止の決定のための不変のログ。

16）計測： 実装プラクティス

• 'api_http_requests_total'（カウンター）
• 'api_http_request_duration_seconds'（ヒストグラム）
• 'api_outbound_requests_total'、 'api_db_query_duration_seconds'
• 'api_rate_limited_total'、 'api_retry_total {reason}'

リージョン：'route'、 'method'、 'status_class'、' tenant'、'region'、'version'、'canary'、'provider'、'db_table'。
Cardinality：自由な価値を避けて下さい（user_id)、使用"buckets'/hash。
例：ヒストグラムp95/p99に接続する→トレースをクリックします。

17） Antipatterns

パーセンタイルの代わりに媒体；ステータスクラスへの分割はありません。
一貫性のない'route'/'path'（動的IDはラベルに「縫い付け」されます）。
カーディナリティが高いラベル（未加工user_id、 IP）。
外部プロバイダ（PSP/3rd-party）の個別会計はありません。
「ノイズ」によるアラート（シングルウィンドウと1スレッショルド）。
p99キュー時間を除く（マスクの実際の劣化）。

18） Prod Readinessチェックリスト

• SLI/SLOとエラー予算が定義され、ビジネスに同意します。
• シングルレイテンシヒストグラムとステータスクラス；ダッシュボードのp95/p99。
• フルトレース（OTel）、ログ/メトリック/トレース相関。
• バーンレートアラート（2ウィンドウ）、p99スレッショルドおよびエラーレート。
• テナントごと/プランごとのセクションとコストレポート。
• ダッシュボード：Exec、 Per-Route、依存関係、容量、乱用。
• ロードシナリオ（バースト/高原/ストレス）、プロファイリング。
• ジッターレトライポリシー；RPSへのリトレイの影響を考慮します。
• パートナーおよび一般顧客向けのSLA/SLOドキュメント。
• 保持/ログマスキング、PII保護。

19） TL；DR（ドクター）

SLI/SLOとエラーバジェットの観察可能性を構築し、RED/USEを測定し、p95/p99とキュー時間でレイテンシーヒストグラムを収集し、境界からDBに単一のトレースIDを配布し、テナント/コストカットごとに保持します。キューの法律に従って容量を計画し、ビジネスメトリクスへの影響；antipatterns-percentilesの代わりに媒体、高いcardinalityおよびaccounted外的な依存。