Сервер падает редко «внезапно» — обычно он несколько дней или недель подряд подавал сигналы, которые никто не читал как сигналы. Память медленно ползла вверх, ответы становились чуть медленнее, в логах копились единичные обрывы соединений с базой — и всё это списывалось на шум, пока не наступил инцидент. Разница между командой, которая узнаёт о проблеме в 3 часа ночи по звонку от клиента, и командой, которая чинит её спокойно во вторник днём, — не в лучших серверах, а в том, что вторые смотрят на тренд метрик, а не только на их текущее значение.
Подробнее →