...
Eroare System Design · SPOF, căderi în cascadă, securitate și monitorizare

Dashboard-ul arăta problema de o oră, dar nimeni nu s-a uitat (monitorizare fără alerte)

Pe scurt

Metricile și dashboard-urile există, dar nimeni nu e anunțat când ceva iese din normal, deci problemele se văd doar dacă cineva se uită întâmplător. Configurează alerte pe simptome vizibile pentru utilizatori (rata de erori, latența p99, vechimea cozilor), trimise unei persoane de gardă.

Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

Ce înseamnă

Un dashboard nu e monitorizare activă: e util pentru investigații, dar nimeni nu se uită la el la 3 dimineața. Alertele transformă datele în acțiune.

Alertele bune sunt pe simptome pe care le simte utilizatorul (procentul de cereri eșuate, latența p99, consumul bugetului de erori, vechimea mesajelor din cozi), nu pe fiecare cauză posibilă (CPU 80% pe un server). Au un prag și o durată (de exemplu peste 2% erori timp de 5 minute), ca să nu sune la fiecare vârf de o secundă, și ajung la o persoană anume, de gardă, cu un link spre runbook.

Cealaltă extremă e la fel de periculoasă: sute de alerte zgomotoase, pe care echipa învață să le ignore (alert fatigue). Fiecare alertă trebuie să ceară o acțiune.

De ce apare: cauzele frecvente

1Doar dashboard-uri

Greșit
# Grafana cu 40 de grafice, nicio alertă
Corect
- alert: RataEroriMare
  expr: sum(rate(http_requests_total{status=~"5.."}[5m])) / sum(rate(http_requests_total[5m])) > 0.02
  for: 5m
  labels: { severity: page }

Echipa e anunțată când peste 2% din cereri eșuează timp de 5 minute.

2Alerte pe cauze, zgomotoase

Greșit
# alertă la CPU > 70% pe orice server
Corect
# alertă pe latența p99 și pe erori; CPU doar pe dashboard

Alertele pe simptome sună când utilizatorii sunt afectați, nu la fiecare variație normală.

Repară tu

Repară eroarea, direct în pagină

Toate componentele trimit metrici spre Monitorizare, dar nu e configurată nicio alertă: ultima cădere a fost văzută pe dashboard abia după o oră. Fă ca echipa să fie anunțată automat.

Indiciu

Uită-te la proprietățile componentei Monitorizare.

Alte forme ale mesajului

  • Alert fatigue
  • No alert fired during outage

Cum o eviți pe viitor

  • Alertează pe simptome: erori, latență, vechimea cozilor.
  • Pune prag și durată pentru fiecare alertă.
  • Trimite alertele unei persoane de gardă, cu runbook.
  • Revizuiește periodic alertele care nu au cerut nicio acțiune.

Întrebări frecvente

Câte alerte ar trebui să am?

Puține și relevante: câteva pe simptomele principale ale fiecărui serviciu. Fiecare alertă care sună trebuie să ceară o acțiune.

Ce e un runbook?

O pagină scurtă care spune ce înseamnă alerta, cum verifici și ce pași de remediere ai.

Erori înrudite

← Toate erorile System Design

Tudor Andrei Dumitrescu
Cine a explicat eroarea

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Fiecare eroare de aici a fost reprodusă în editorul nostru: codul greșit chiar dă mesajul din titlu, iar reparația chiar funcționează.

Învață System Design de la zero, cu exerciții la fiecare lecție

Curs System Design: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 10 lecții sunt gratuite.