«Что такое мониторинг работоспособности? Полное руководство для веб-команд и SRE»

Мониторинг работоспособности — это основополагающая операционная дисциплина, позволяющая постоянно проверять, что веб-сайты, веб-приложения и микросервисы API остаются доступными, отзывчивыми и функциональными для пользователей по всему миру.

В современных облачных вычислениях простой веб-сайта напрямую вредит доходам бизнеса, репутации бренда, снижает рейтинг в поисковых системах и приводит к оттоку клиентов.В этом подробном руководстве рассказывается, как работает автоматизированный мониторинг работоспособности, как рассчитать процент доступности Соглашения об уровне обслуживания (SLA), как устранить ложные срабатывания оповещений и как структурировать рабочие процессы мониторинга производства.

Резюме «Ответ в первую очередь»

Мониторинг времени безотказной работы автоматизирует непрерывное тестирование конечных точек сети с помощью запланированных проверок HTTP/HTTPS от географически распределенных тестовых серверов.Он проверяет коды состояния ответа HTTP (2xx/3xx), время разрешения DNS, подтверждения TCP-соединения и действительность сертификата TLS.Системы высокой доступности нацелены на такие цели SLA, как «Три девятки» (время безотказной работы 99,9% = максимальное время простоя 8,76 часов в год) или «Четыре девятки» (время безотказной работы 99,99% = максимальное время простоя 52,6 минут в год).Чтобы предотвратить ложные срабатывания оповещений, современные мониторы, такие как SimpleOps, обеспечивают консенсус между несколькими регионами перед отправкой уведомлений через Slack, Telegram, электронную почту или веб-перехватчики.

Как работает мониторинг работоспособности: под капотом

Автоматизированный мониторинг работоспособности работает как асинхронная распределенная система телеметрии:

Запланированная отправка зонда. Распределенные рабочие узлы зонда мониторинга выполняют запросы HTTP/HTTPS к зарегистрированным целевым URL-адресам через фиксированные интервалы времени (например, каждые 60 секунд).
Многоуровневая проверка ответа: каждый узел проверки проверяет несколько уровней протокола:
- Разрешение DNS: измеряет задержку, необходимую серверам доменных имен для разрешения домена в IP-адрес.
- TCP Handshake: определяет время установления сетевого подключения.
- Подтверждение TLS/SSL: проверка действительности сертификата, согласования набора шифров и даты истечения срока действия.
- Код состояния HTTP-ответа: проверяет, возвращает ли сервер ожидаемый код состояния успеха 2xx или перенаправления 3xx (помечая ошибки клиента 4xx и ошибки сервера 5xx).
- Сопоставление полезной нагрузки ответа: необязательное сопоставление ключевых слов для проверки правильности отображения ключевых элементов страницы.
Многорегиональный консенсус: когда основной узел проверки обнаруживает ошибку HTTP или тайм-аут соединения, он отправляет задачи повторной проверки на вторичные узлы проверки в различных географических регионах мира (например, Северная Америка, Европа, Азиатско-Тихоокеанский регион).Если несколько независимых узлов подтвердят сбой, открывается официальный инцидент.
Отправка оповещений: мгновенные уведомления перенаправляются дежурным инженерным группам через Slack, Telegram, электронную почту, Webhooks или PagerDuty.

Соглашения об уровне обслуживания доступности и шкала «девяток»

Доступность безотказной работы выражается в процентах от общего времени работы в течение определенного периода измерения (ежемесячно или ежегодно):

$$\text{Время доступности (%)} = \frac{\text{Общее время} - \text{Общее время простоя}}{\text{Общее время}} \times 100$$

Стандартная отраслевая шкала «Девятки» классифицирует целевые показатели доступности по операционным уровням:

Цель соглашения об уровне обслуживания	Максимально допустимое ежегодное время простоя	Максимально допустимое ежемесячное время простоя	Типичный вариант использования
99,0% («Две девятки»)	3 дня, 15 часов, 39 минут	7 часов 18 минут	Среды разработки, внутренние промежуточные сайты.
99,5%	1 день, 19 часов, 49 минут	3 часа 39 минут	Некритические блоги, маркетинговые целевые страницы.
99,9% («Три девятки»)	8 часов 45 минут 57 секунд	43 минуты 49 секунд	Стандартные продукты SaaS, коммерческие веб-приложения.
99,99% («Четыре девятки»)	52 минуты 35 секунд	4 минуты 23 секунды	API-интерфейсы электронной коммерции, платежные шлюзы.
99,999% («Пять девяток»)	5 минут 15 секунд	25,9 секунды	Телекоммуникации, финансовые торговые платформы.

Предотвращение ложных срабатываний оповещений о простоях

Ложные срабатывания оповещений возникают, когда инструмент мониторинга сообщает о сбое, который не представляет собой фактический сбой службы (например, временный сбой в сети между одним зондом и целевым сайтом).Ложные срабатывания вызывают усталость от оповещений, в результате чего дежурные инженеры игнорируют законные экстренные уведомления.

Чтобы предотвратить ложные срабатывания оповещений, SimpleOps применяет три защитные меры:

Географический межрегиональный консенсус. Оповещение никогда не срабатывает в случае сбоя одного узла зонда.Как минимум два отдельных узла-зонда в разных регионах мира должны независимо подтвердить сбой.
Пороги последовательных сбоев: сбои должны сохраняться в течение нескольких последовательных циклов проверок (например, 2 последовательные неудачные 60-секундные проверки), прежде чем инициировать эскалацию с высоким приоритетом.
Интеллектуальная логика повторов: зонды выполняют немедленные повторные попытки при обнаружении тайм-аутов сети, чтобы отличить временную потерю пакетов от фактического простоя сервера.

Время безотказной работы и мониторинг производительности

Хотя мониторинг работоспособности проверяет, что ваш веб-сервер работает и возвращает ответы HTTP 200 OK, он не оценивает, насколько быстрым и удобным для использования ваш веб-сайт кажется реальным пользователям.

Веб-сайт может иметь 100% время безотказной работы HTTP, но при этом оставаться непригодным для использования из-за несжатых изображений, блокировок выполнения JavaScript в основном потоке или медленных основных веб-жизненных показателей (LCP, INP, CLS).По этой причине современные команды инженеров сочетают мониторинг работоспособности HTTP с синтетическими аудитами Lighthouse и отслеживанием полей реальных пользователей в SimpleOps .

Реализация автоматического мониторинга работоспособности с помощью SimpleOps

SimpleOps предоставляет платформу мониторинга работоспособности с нулевым кодом, которая позволяет разработчикам и командам DevOps настраивать глобальные 60-секундные проверки работоспособности менее чем за две минуты:

Более 15 глобальных узлов проверки: отслеживайте доступность в Северной Америке, Европе, Азиатско-Тихоокеанском регионе и Южной Америке.
Многоканальное оповещение: мгновенно направляйте уведомления в Slack, Telegram, электронную почту или настраиваемые веб-перехватчики.
Встроенное отслеживание срока действия SSL: отслеживайте даты истечения срока действия сертификата HTTPS и цепочки доверия прямо из коробки.
Общедоступные страницы состояния: делитесь состоянием системы в реальном времени и историческими показателями SLA о времени безотказной работы с клиентами и заинтересованными сторонами.