Monitoraggio e avvisi
Quali metriche monitoriamo?
Offriamo un monitoraggio completo di server e cluster Kubernetes con i nostri framework operativi open source, LinuxAid e KubeAid, basati su Prometheus.
1. Monitoraggio dei server (LinuxAid)
Per i server, tutte le metriche e le regole di avviso sono definite nel nostro stack LinuxAid qui:
Comprendono:
- Metriche di host e hardware
- CPU, RAM, I/O, stato dei dischi
- Monitoraggio di filesystem e storage
- Prestazioni di rete
Queste regole sono mantenute come open source e aggiornate regolarmente, e abbiamo scritto anche una suite di test per esse.
2. Monitoraggio di Kubernetes (KubeAid)
Per gli ambienti Kubernetes usiamo Kube Prometheus come base e lo estendiamo con regole e mixin aggiuntivi.
Regole di avviso di base:
Avvisi e mixin aggiuntivi:
I nostri avvisi per Kubernetes comprendono:
- Metriche di nodi, pod e container
- Stato del control plane e dell'API server
- Prestazioni e disponibilità di etcd
- Segnali di scheduler e controller-manager
- Stato di ingress, servizi e rete
- Avvisi a livello applicativo per componenti open source selezionati
- Pacchetti di avvisi facoltativi basati su mixin, attivabili o disattivabili per singolo cluster
Questo approccio a livelli garantisce visibilità su tutta la piattaforma, con la flessibilità di adattarsi allo stack di ogni cliente.
Come gestiamo gli avvisi e l'escalation degli incidenti
Prometheus inoltra gli avvisi al nostro endpoint centrale di raccolta (con la possibilità di escludere host o componenti su richiesta).
Gli avvisi vengono poi elaborati dalla nostra piattaforma operativa interna, che:
- Crea o aggiorna automaticamente i ticket degli avvisi
- Notifica il nostro team operativo 24/7
- Applica il tuo SLA per stabilire correttamente priorità e scadenze
- Segue in tempo reale la presa in carico e l'avanzamento della risoluzione
- Esegue escalation automatiche: prima all'ingegnere reperibile, poi alla direzione se necessario
- Alcuni dei nostri avvisi sono di natura preventiva, cioè scattano prima che qualcosa si rompa o vada giù.
Diamo sempre la priorità al ripristino del servizio il più rapidamente possibile, poi ci concentriamo sulla causa principale per evitare che il problema si ripresenti.