Desarrollar una página de estado público con monitoreo de tiempo de actividad y gestión de incidentes

Operamos varios servicios web, y con cada desaceleración o interrupción, los clientes hacen la misma pregunta: ¿es su problema o el nuestro? En este momento, la respuesta vive en un chat interno y nadie fuera de él la ve, así que necesitamos una página de estado público limpia que explique lo que está sucediendo. La tarea principal es un programador de verificación que envía pings a cada servicio en intervalos configurables, registra si la respuesta fue saludable y almacena un historial deslizante para que un visitante pueda ver los últimos días de un vistazo. Cada servicio corresponde a un componente nombrado en la página, y el componente muestra un estado claro: operativo, degradado o no disponible, y este estado se determina por resultados de verificación reales, no manualmente alternados.

Además de las verificaciones automáticas, necesitamos una gestión adecuada de incidentes. Cuando algo se rompe, un empleado abre un incidente, establece un título y un nivel de gravedad y publica actualizaciones breves a medida que pasamos de "investigando" a "causa identificada", "monitoreando" y "resuelto". Estas actualizaciones van tanto a la página pública como a un correo electrónico a todos los que se suscribieron, por lo que las notificaciones son importantes: un visitante ingresa una dirección, la confirma y recibe un correo electrónico cuando se abre un nuevo incidente o se actualiza o cierra uno existente. Cancelar la suscripción debe ser simple y con un solo clic. Es importante para nosotros que esto siga siendo una herramienta estrecha de estado y tiempo de actividad, no un monstruo de monitoreo pesado: sin recolección de registros, sin trazado, sin enormes paneles de control.

Esperamos una pequeña aplicación web que se pueda implementar en nuestra propia infraestructura, con un panel de administración para nosotros y una página pública rápida para todos los demás. Código limpio y legible y una guía de configuración corta son parte del trabajo.

— Verificaciones de tiempo de actividad programadas para cada servicio con intervalo configurable e historial deslizante
— Página pública con componentes nombrados y estados claros: operativo, degradado, no disponible
— Creación de incidentes con nivel de gravedad y actualizaciones de línea de tiempo hasta la resolución
— Suscripción por correo electrónico con confirmación, notificaciones de incidentes y cancelación de suscripción con un solo clic
— Panel de administración simple, capacidad de autoalojamiento, código limpio y guía de configuración corta