Über den Service
ÜbersetztDie Einrichtung der Überwachung beginnt mit einem Gespräch und nicht mit Software: Wir gehen Ihre Dienste durch und einigen uns schriftlich darauf, was als Vorfall zählt und was gewöhnlicher Arbeitslärm ist. Eine Warteschlange, die innerhalb des Backup-Fensters zehn Minuten wächst, ist Lärm; dieselbe Warteschlange, die zur Mittagszeit wächst, ist ein Vorfall. Bis diese Linie gezogen ist, verwandelt sich jedes Überwachungssystem in eine Sirene, die in der zweiten Woche niemand hört.
Dann baue ich die Prüfungen. Die Verfügbarkeit wird von mehr als einem Ort aus gemessen und umfasst einen Blick auf den Inhalt der Seite — ein Server mit einer leeren Datenbank gibt einen perfekt gesunden Antwortcode zurück. Freier Speicherplatz auf jeder Festplatte und die Rate, mit der er verschwindet, Prozessor- und Speicherauslastung, die Tiefe der Hintergrundwarteschlangen, Ablaufdaten für Zertifikate und Domainverlängerungen sowie die Bestätigung, dass ein Backup nicht nur gestartet, sondern auch abgeschlossen wurde und tatsächlich wiederhergestellt werden kann. Jede Prüfung hat eine Schwere, und die Schwere entscheidet über den Kanal: eine Zeile auf einem Dashboard, eine Chatnachricht oder ein Anruf um drei Uhr morgens.
Rund um die Prüfungen kommt der menschliche Teil: ein Dienstplan, ein Eskalationsweg für den Fall, dass die erste Person nicht abhebt, ein Statuspanel für das Management, das in der Sprache des Geschäfts verfasst ist, anstatt einer Wand von Grafiken, und eine geplante Überprüfung der Schwellenwerte. Drei Dinge, die ich im Voraus festlege. Ein Alarm ohne Anleitung ist nutzlos — jeder kommt mit einer Notiz, die sagt, was zuerst überprüft werden soll und wen man anrufen soll, wenn das nicht hilft. Die Schwellenwerte sind so eingestellt, dass Benachrichtigungen niemals in einem Strom ankommen: Eine Liste, in der die Hälfte der Auslöser falsch ist, wird überhaupt nicht mehr gelesen. Der Zugang zu den Servern ist persönlich und namentlich; ein einziges gemeinsames Passwort für das gesamte Team wird nicht verwendet.
Was die Arbeit umfasst:
— eine Überprüfung Ihrer Dienste und eine vereinbarte Liste, was als Vorfall zählt;
— Verfügbarkeits- und Inhaltsprüfungen, Überwachung des Speicherplatzes, der Last und der Warteschlangen;
— Verfolgung des Ablaufs von Zertifikaten und Domains, Überprüfung, dass Backups erfolgreich sind;
— Alarmweiterleitung nach Schwere in verschiedene Kanäle;
— ein Dienstplan mit Schichten und einer dokumentierten Eskalationsleiter;
— ein Statuspanel für das Management und ein kurzer periodischer Bericht;
— eine schriftliche Anleitung für jede Art von Alarm;
— eine Überprüfung der Schwellenwerte nach dem ersten Monat, basierend auf gesammelten Statistiken.
Dann baue ich die Prüfungen. Die Verfügbarkeit wird von mehr als einem Ort aus gemessen und umfasst einen Blick auf den Inhalt der Seite — ein Server mit einer leeren Datenbank gibt einen perfekt gesunden Antwortcode zurück. Freier Speicherplatz auf jeder Festplatte und die Rate, mit der er verschwindet, Prozessor- und Speicherauslastung, die Tiefe der Hintergrundwarteschlangen, Ablaufdaten für Zertifikate und Domainverlängerungen sowie die Bestätigung, dass ein Backup nicht nur gestartet, sondern auch abgeschlossen wurde und tatsächlich wiederhergestellt werden kann. Jede Prüfung hat eine Schwere, und die Schwere entscheidet über den Kanal: eine Zeile auf einem Dashboard, eine Chatnachricht oder ein Anruf um drei Uhr morgens.
Rund um die Prüfungen kommt der menschliche Teil: ein Dienstplan, ein Eskalationsweg für den Fall, dass die erste Person nicht abhebt, ein Statuspanel für das Management, das in der Sprache des Geschäfts verfasst ist, anstatt einer Wand von Grafiken, und eine geplante Überprüfung der Schwellenwerte. Drei Dinge, die ich im Voraus festlege. Ein Alarm ohne Anleitung ist nutzlos — jeder kommt mit einer Notiz, die sagt, was zuerst überprüft werden soll und wen man anrufen soll, wenn das nicht hilft. Die Schwellenwerte sind so eingestellt, dass Benachrichtigungen niemals in einem Strom ankommen: Eine Liste, in der die Hälfte der Auslöser falsch ist, wird überhaupt nicht mehr gelesen. Der Zugang zu den Servern ist persönlich und namentlich; ein einziges gemeinsames Passwort für das gesamte Team wird nicht verwendet.
Was die Arbeit umfasst:
— eine Überprüfung Ihrer Dienste und eine vereinbarte Liste, was als Vorfall zählt;
— Verfügbarkeits- und Inhaltsprüfungen, Überwachung des Speicherplatzes, der Last und der Warteschlangen;
— Verfolgung des Ablaufs von Zertifikaten und Domains, Überprüfung, dass Backups erfolgreich sind;
— Alarmweiterleitung nach Schwere in verschiedene Kanäle;
— ein Dienstplan mit Schichten und einer dokumentierten Eskalationsleiter;
— ein Statuspanel für das Management und ein kurzer periodischer Bericht;
— eine schriftliche Anleitung für jede Art von Alarm;
— eine Überprüfung der Schwellenwerte nach dem ersten Monat, basierend auf gesammelten Statistiken.
