Sobre o serviço
TraduzidoConfigurar o monitoramento começa com uma conversa em vez de com software: passamos pelos seus serviços e concordamos, por escrito, sobre o que conta como um incidente e o que é ruído de trabalho ordinário. Uma fila que cresce por dez minutos dentro da janela de backup é ruído; a mesma fila crescendo ao meio-dia é um incidente. Até que essa linha seja traçada, qualquer sistema de monitoramento se transforma em uma sirene que ninguém ouve na segunda semana.
Então eu construo as verificações. A disponibilidade é medida de mais de um lugar e inclui uma análise do conteúdo da página — um servidor com um banco de dados vazio retorna um código de resposta perfeitamente saudável. Espaço livre em cada disco e a taxa na qual ele desaparece, carga do processador e da memória, profundidade de filas em segundo plano, datas de expiração para certificados e renovações de domínio, e confirmação de que um backup não apenas começou, mas terminou e pode realmente ser restaurado. Cada verificação tem uma severidade, e a severidade decide o canal: uma linha em um painel, uma mensagem de chat ou uma ligação telefônica às três da manhã.
Ao redor das verificações vem a parte humana: uma escala de plantão, um caminho de escalonamento para o caso em que a primeira pessoa não atende, um painel de status para a gerência escrito na linguagem do negócio em vez de uma parede de gráficos, e uma revisão programada dos limites. Três coisas que eu afirmo desde o início. Um alerta sem uma instrução é inútil — cada um vem com uma nota dizendo o que verificar primeiro e a quem ligar se isso não ajudar. Os limites são ajustados para que as notificações nunca cheguem em um fluxo: uma lista na qual metade dos gatilhos são falsos para de ser lida completamente. O acesso aos servidores é pessoal e nomeado; uma única senha compartilhada para toda a equipe não é utilizada.
O que o trabalho inclui:
— uma revisão dos seus serviços e uma lista acordada do que conta como um incidente;
— verificações de disponibilidade e conteúdo, espaço em disco, carga e monitoramento de filas;
— rastreamento de expiração de certificados e domínios, verificação de que os backups são bem-sucedidos;
— roteamento de alertas por severidade em diferentes canais;
— uma escala de plantão com turnos e uma escada de escalonamento documentada;
— um painel de status para a gerência e um breve relatório periódico;
— uma instrução escrita para cada tipo de alerta;
— uma revisão de limites após o primeiro mês, com base em estatísticas coletadas.
Então eu construo as verificações. A disponibilidade é medida de mais de um lugar e inclui uma análise do conteúdo da página — um servidor com um banco de dados vazio retorna um código de resposta perfeitamente saudável. Espaço livre em cada disco e a taxa na qual ele desaparece, carga do processador e da memória, profundidade de filas em segundo plano, datas de expiração para certificados e renovações de domínio, e confirmação de que um backup não apenas começou, mas terminou e pode realmente ser restaurado. Cada verificação tem uma severidade, e a severidade decide o canal: uma linha em um painel, uma mensagem de chat ou uma ligação telefônica às três da manhã.
Ao redor das verificações vem a parte humana: uma escala de plantão, um caminho de escalonamento para o caso em que a primeira pessoa não atende, um painel de status para a gerência escrito na linguagem do negócio em vez de uma parede de gráficos, e uma revisão programada dos limites. Três coisas que eu afirmo desde o início. Um alerta sem uma instrução é inútil — cada um vem com uma nota dizendo o que verificar primeiro e a quem ligar se isso não ajudar. Os limites são ajustados para que as notificações nunca cheguem em um fluxo: uma lista na qual metade dos gatilhos são falsos para de ser lida completamente. O acesso aos servidores é pessoal e nomeado; uma única senha compartilhada para toda a equipe não é utilizada.
O que o trabalho inclui:
— uma revisão dos seus serviços e uma lista acordada do que conta como um incidente;
— verificações de disponibilidade e conteúdo, espaço em disco, carga e monitoramento de filas;
— rastreamento de expiração de certificados e domínios, verificação de que os backups são bem-sucedidos;
— roteamento de alertas por severidade em diferentes canais;
— uma escala de plantão com turnos e uma escada de escalonamento documentada;
— um painel de status para a gerência e um breve relatório periódico;
— uma instrução escrita para cada tipo de alerta;
— uma revisão de limites após o primeiro mês, com base em estatísticas coletadas.
