نگرانی اور ایونٹ کا انتظام
نگرانی بتاتی ہے کہ آیا سروس ویسے کام کر رہی ہے جیسے صارفین اسے تجربہ کرتے ہیں، اور اچھا ایونٹ کا انتظام سگنلز کے سیلاب کو الرٹس کی چھوٹی تعداد میں بدلتا ہے جنہیں کوئی شخص سمجھ کر ان پر عمل کر سکے۔
یہ کیوں اہم ہے
جس سروس کو آپ دیکھ نہیں سکتے اسے آپ چلا نہیں سکتے۔ نگرانی کے بغیر ٹیم کو ناکامیوں کا صارفین سے پتا چلتا ہے، اور سست بگاڑ کا کسی سے نہیں۔ ناقص نگرانی میں مسئلہ الٹا ہے: اتنے الرٹس کہ آن کال انجینئر ان پر یقین کرنا چھوڑ دیتا ہے، اور جو اہم ہے وہ شور میں کھو جاتا ہے۔ دونوں انتہائیں نیند، اعتماد اور وقت کی قیمت لیتی ہیں۔
نگرانی اور ایونٹ کا انتظام یہ بھی طے کرتے ہیں کہ واقعہ کتنی جلدی ڈھونڈا اور ٹھیک کیا جا سکتا ہے۔ واقعات کے انتظام میں سب کچھ اس پر منحصر ہے کہ جلد پتا چلے کہ کچھ غلط ہے اور یہ معلوم کرنے کے لیے کافی معلومات ہوں کہ کیوں (دیکھیں موضوع 3.2 — واقعات کا انتظام)۔ جو چابک ٹیمیں اکثر ریلیز کرتی ہیں انہیں اس کی اور بھی ضرورت ہے، کیونکہ ہر ریلیز کچھ توڑنے کا موقع ہے اور ہر رول بیک کا فیصلہ اثر دیکھنے پر منحصر ہے۔
Google کی Site Reliability Engineering کتاب کے دو باب براہِ راست اس موضوع کو لیتے ہیں: "Monitoring Distributed Systems" اور "Practical Alerting from Time-Series Data"۔ وہ ایک ادارے کا عمل بیان کرتے اور دانستہ سادہ، صارف پر مرکوز طریقے کی دلیل دیتے ہیں۔ یہ موضوع انہیں بنیادی ماخذ کے طور پر برتتا ہے، کیونکہ اس گائیڈ کے لیے دیکھے گئے ویکیپیڈیا کے مضامین اس عمل پر کم دیتے ہیں۔ یہاں ITIL کی لغت، جیسے ایونٹ، الرٹ اور ایونٹ کا انتظام، وسیع طور پر شائع شدہ بیانات سے لی گئی ہے جنہیں یہ گائیڈ فریم ورک کے مالک کے متن سے تصدیق نہ کر سکی۔ SRE کے ابواب کو ایک اچھی طرح سمجھایا گیا اختیار سمجھیں۔
بنیادی تصورات
نگرانی
SRE کا باب نگرانی کو نظام کے بارے میں حقیقی وقت کے مقداری ڈیٹا کو جمع کرنے، پروسیس کرنے اور دکھانے کے طور پر متعین کرتا ہے۔ وہ کہتا ہے کہ نگرانی طویل مدتی رجحان کے تجزیے، تجربات کے موازنے، الرٹنگ، ڈیش بورڈز، اور بعد میں ایڈہاک ڈیبگنگ کو سہارا دیتی ہے۔ وہ زور دیتا ہے کہ نگرانی اہم انجینئرنگ کوشش ہے اور ٹیمیں عموماً اس کے لیے کم از کم ایک شخص مقرر کرتی ہیں۔
ایونٹس، الرٹس اور واقعات
ITSM کے استعمال میں ایونٹ حالت کی ایسی تبدیلی ہے جو سروس کے انتظام کے لیے اہمیت رکھتی ہے۔ زیادہ تر ایونٹس معلوماتی ہیں۔ کچھ انتباہ یا استثنا کی نشاندہی کرتے ہیں۔ الرٹ، جیسے SRE کا باب کہتا ہے، انسان کے لیے اطلاع ہے، جو ٹکٹ، ای میل یا پیج کے طور پر پہنچتی ہے۔ واقعہ غیر منصوبہ بند خلل یا معیار میں کمی ہے (دیکھیں موضوع 3.2 — واقعات کا انتظام)۔ ایونٹ کا انتظام یہ طے کرنے کا عمل ہے کہ کون سے ایونٹس اہم ہیں، ان کا کیا کرنا ہے، اور کسے بتانا ہے۔ بہاؤ ایونٹس سے الرٹس تک، اور کبھی کبھی واقعات تک ہے۔
بلیک باکس اور وائٹ باکس نگرانی
باب دو قسموں میں فرق کرتا ہے:
| قسم | یہ کیا کرتی ہے | طاقت |
|---|---|---|
| بلیک باکس | بیرونی طور پر نظر آنے والے رویے کو آزماتی ہے، جیسے صارف دیکھے گا | فعال مسائل کا پتا لگاتی ہے؛ پیج کرنے کے لیے موزوں |
| وائٹ باکس | نظام کے اندرونی حصوں سے ظاہر کیے گئے میٹرکس برتتی ہے، جیسے لاگز یا اندرونی ہینڈلرز | قریب آتے مسائل اور ری ٹرائی سے چھپی ناکامیاں ظاہر کرتی ہے؛ ڈیبگنگ کے لیے ضروری |
کتاب دونوں کو ملاتی ہے۔ بلیک باکس پروب بتاتا ہے کہ چیک آؤٹ ناکام ہے؛ وائٹ باکس ڈیٹا یہ ڈھونڈنے میں مدد دیتا ہے کہ کیوں۔
علامات اور وجوہات
باب کہتا ہے کہ نگرانی کو دو سوالوں کا جواب دینا چاہیے: کیا ٹوٹا ہے، اور کیوں۔ وہ مشورہ دیتا ہے کہ الرٹس علامات پر مرکوز ہوں، جو صارف تجربہ کرتے ہیں، اور وجوہات پر پیج صرف تب کریں جب وہ قطعی اور قریب ہوں۔ ایک مشین کا ناکام ہونا، الرٹنگ کے باب کے الفاظ میں، اس کی اطلاع پانے کے لیے ناقابلِ قبول ہے، کیونکہ یہ بہت شور والا ہے۔ یہ اچھے الرٹنگ کے طریقے کا مرکز ہے: انسان کو تب بتائیں جب صارفین کو تکلیف ہو یا ہونے والی ہو، تب نہیں جب کوئی حصہ پھڑکے۔
چار سنہری سگنل
باب صارف کے سامنے کے نظام کے لیے دیکھنے کے چار سگنل تجویز کرتا ہے:
- تاخیر: درخواست پوری کرنے کا وقت۔ ناکام درخواستوں کو الگ ٹریک کریں، کیونکہ "سست غلطی تیز غلطی سے بھی بدتر ہے۔"
- ٹریفک: نظام پر طلب۔
- غلطیاں: ناکام درخواستیں، چاہے صریح، ضمنی، یا پالیسی کے لحاظ سے۔
- سیچوریشن: سروس کتنی "بھری" ہے۔ کارکردگی اکثر 100% استعمال سے پہلے گرتی ہے۔
یہ فطری طور پر سروس کی سطح کے اشاروں سے ملتے ہیں (دیکھیں موضوع 3.7 — سروس کی سطح کا انتظام)۔ باب یہ بھی خبردار کرتا ہے کہ اوسط سست شاذ مثالیں چھپاتے ہیں اور تقسیم دیکھنے کے لیے تاخیر کے بکٹس میں درخواستوں کی گنتی ریکارڈ کرنے کی تجویز دیتا ہے۔
اچھا الرٹ کیا بناتا ہے
باب الرٹ لکھنے سے پہلے پوچھنے کے سوال دیتا ہے: کیا یہ فوری، قابلِ عمل، صارف کو نظر آنے والی حالت کا پتا لگاتا ہے؛ کیا اسے محفوظ طور پر نظرانداز کیا جا سکتا ہے؛ اور کیا ردِعمل خودکار ہو سکتا ہے۔ پیج قابلِ عمل ہوں، فیصلہ مانگیں، اور نئے مسائل کے بارے میں ہوں۔ وہ کہتا ہے کہ الرٹس کبھی محض اس لیے نہیں بجنے چاہییں کہ "کچھ ذرا عجیب لگتا ہے۔" جن پیجز کے جواب رٹے ہوئے اور الگورتھمک ہوں وہ، اس کی نظر میں، سرخ جھنڈا ہیں جو خودکاری یا بنیادی وجہ کی مرمت کا تقاضا کرتا ہے۔
الرٹس کی روٹنگ
الرٹنگ کا باب پیج کے لائق الرٹس آن کال عملے کو، کم نازک ٹکٹ کی قطاروں کو، اور باقی اسٹیٹس ڈیش بورڈز کو بھیجنا بیان کرتا ہے۔ وہ الرٹس کو روٹ، نقل ہٹانے اور روکنے والے اوزار بیان کرتا ہے، اور نوٹ کرتا ہے کہ الرٹس کو بجنے سے پہلے کم از کم مدت انتظار کرنا چاہیے کیونکہ وہ ڈگمگا سکتے ہیں۔ وہ خبردار کرتا ہے کہ "آپ صرف ان ناکامیوں پر الرٹ کر سکتے ہیں جن کی آپ نے توقع کی تھی،" اسی لیے بلیک باکس پروبس کو وائٹ باکس ڈیٹا سے ملانا اہم ہے۔
سادہ رکھیں
باب ایسی "جادوئی" چیز کے بجائے سادہ، تیز نظاموں کی دلیل دیتا ہے جو حدیں سیکھتی ہے یا سببیت کا پتا لگاتی ہے، اور نوٹ کرتا ہے کہ پیچیدہ انحصار کے درجہ بندی کو محدود کامیابی ملی ہے۔ وہ کہتا ہے کہ حقیقی واقعات پکڑنے والے قواعد سادہ رکھیں، شاذ استعمال ہونے والے الرٹس اور غیر برتے گئے سگنل ہٹائیں، اور دیکھ بھال کی لاگت سروس کے سائز سے زیادہ آہستہ بڑھنے دیں۔ جو مثالیں وہ بیان کرتا ہے، جیسے ٹیم جو الرٹس سے مغلوب ہو کر عارضی طور پر اپنا مقصد ڈھیلا کر دے اور دیرپا درستیوں کے لیے وقت نکالنے کی خاطر ای میل الرٹس بند کر دے، شور ہٹانے کی آمادگی دکھاتی ہیں۔
ڈیش بورڈز اور طویل مدتی مناظر
باب ڈیش بورڈز کو سروس کے اہم میٹرکس کے پہلے سے بنے خلاصہ مناظر سمجھتا ہے اور کہتا ہے کہ ڈیش بورڈ ای میل الرٹس سے بہتر ہیں، جنہیں وہ بہت محدود قدر کا بتاتا ہے۔ وہ وقت کے ساتھ پیج کی تعدد کا جائزہ لینے کی بھی سفارش کرتا ہے، مثلاً سہ ماہی رپورٹوں میں، تاکہ قیادت پیجر کے بوجھ سے باخبر رہے۔ یہ الرٹ کے معیار کو ایسی چیز بناتا ہے جو مینیجر دیکھ سکیں (پائیدار رفتار کے لیے دیکھیں موضوع 1.2 — چابک اصول)۔
ماخذوں کی حدود
SRE کے ابواب ایک عملی مثال سے آگے حدیں نہیں دیتے، رن بکس یا آن کال کے بوجھ کی حدوں پر بات نہیں کرتے، اور یہ بیان نہیں کرتے کہ وقت کے ساتھ الرٹس کا جائزہ لے کر انہیں کیسے ریٹائر کیا جائے، اس لیے یہ آپ کے اپنے عمل کے معاملات ہیں۔ وہ مضبوط انجینئرنگ وسائل والے بڑے ادارے سے آتے ہیں۔ چھوٹی ٹیمیں اصولوں کو سادہ اوزار سے لاگو کر سکتی ہیں۔
بہترین طریقے
- وہ نگرانی کریں جو صارفین تجربہ کرتے ہیں۔ کم از کم ایک بلیک باکس پروب شامل کریں جو حقیقی صارف کا عمل کرے، جیسے لاگ ان یا آرڈر دینا، اور ناکام ہونے پر الرٹ کریں۔
- چار سنہری سگنل دیکھیں۔ ہر سروس کے لیے تاخیر، ٹریفک، غلطیاں اور سیچوریشن ٹریک کریں۔ دوسرے پیمانے صرف تب شامل کریں جب وہ ایسے سوال کا جواب دیں جو آپ نے پوچھا ہو۔
- علامات پر الرٹ کریں۔ پیج تب کریں جب صارفین کو تکلیف ہو یا جلد ہونے والی ہو۔ اندرونی حالتوں، جیسے ایک ناکام مشین، کو کم ترجیح کی معلومات سمجھیں جب تک وہ قطعی اور قریب نہ ہوں۔
- ہر پیج کو قابلِ عمل بنائیں۔ الرٹ بنانے سے پہلے لکھیں کہ جواب دینے والا کیا کرے۔ اگر کرنے کو کچھ نہیں تو یہ پیج نہیں۔
- فوریت کے لحاظ سے روٹ کریں۔ فوری الرٹس آن کال کو، کم فوری ٹکٹ کی قطار کو، اور معلومات ڈیش بورڈ کو بھیجیں۔ ای میل الرٹس ان لوگوں کو نہ بھیجیں جو انہیں نظرانداز کریں گے۔
- اوسط ہی نہیں، تقسیم برتیں۔ تاخیر کے لیے بلند پرسنٹائل یا بکٹس دیکھیں تاکہ سست شاذ مثالیں نظر آئیں۔
- کم از کم مدت مقرر کریں۔ ڈگمگانے سے بچنے کے لیے الرٹ سے پہلے حالت کو مختصر وقت قائم رہنے کی شرط رکھیں۔ مدت کو حقیقی ڈیٹا سے ٹھیک کریں۔
- شور والے الرٹس ریٹائر کریں۔ جائزہ لیں کہ کون سے الرٹس سب سے زیادہ بجے اور کسی عمل تک نہ لے گئے۔ انہیں ہٹائیں یا ٹھیک کریں۔ SRE کا باب رٹے ہوئے جوابات کو خودکاری یا مرمت کا اشارہ سمجھتا ہے۔
- اپنی نگرانی کو آزمائیں۔ ٹیسٹ ماحول میں دانستہ کچھ توڑیں اور جانچیں کہ صحیح الرٹ بجتا ہے۔ نگرانی کے نظام کو خود بھی جانچوں میں شامل کریں، تاکہ اس کی ناکامی نوٹس ہو۔
- پیجر کے بوجھ کا جائزہ لیں۔ ہر سہ ماہی فی شفٹ پیج، کام کے اوقات سے باہر مداخلتیں، اور جھوٹے الارم گنیں۔ نتائج مینیجروں کے ساتھ بانٹیں اور منصوبہ بندی میں برتیں۔
- نگرانی کو تکمیل کی تعریف میں رکھیں۔ ہر نئے فیچر کے لیے پوچھیں کہ کون سے سگنل دکھاتے ہیں کہ یہ کام کرتا ہے اور اسے کون سا الرٹ، اگر کوئی، چاہیے (دیکھیں موضوع 3.5 — ریلیز اور تعیناتی کا انتظام)۔
- سادہ رکھیں۔ پیچیدہ اسکیم کے بجائے چند قابلِ فہم قواعد کو ترجیح دیں۔ غیر برتے گئے سگنل ہٹائیں اور واقعات کے بعد قواعد کا جائزہ لیں۔
ٹیم کے ساتھ بحث کے سوالات
ہمیں اپنے آخری تین واقعات کا کیسے پتا چلا؟
ہر واقعے کی فہرست بنائیں اور یہ کہ اسے پہلی بار کیسے نوٹس کیا گیا: الرٹ، صارف، ساتھی۔ اگر زیادہ تر صارفین سے آئے تو نگرانی ان علامات کو چوک رہی ہے جو اہم ہیں۔ سہولت کار پوچھ سکتا ہے کہ پروب کیا دکھاتا۔ پہلے نگرانی کے لیے صارف کا ایک عمل چنیں۔
ہم کون سے الرٹس نظرانداز کرتے ہیں، اور کیوں؟
آن کال انجینئروں سے وہ الرٹس پوچھیں جنہیں وہ خاموش یا چھوڑ دیتے ہیں۔ ہر ایک ٹھیک کرنے یا مٹانے کا امیدوار ہے۔ پوچھیں کہ لوگوں کو الرٹ پر بھروسا یا عدم بھروسا کس چیز سے ہوتا ہے۔ صاف جواب اکثر ایسے الرٹس ظاہر کرتا ہے جو ان حالتوں پر بجتے ہیں جن پر کوئی عمل نہیں کر سکتا۔ تین ریٹائر یا ٹھیک کرنے پر متفق ہوں۔
آن کال پر ہماری بدترین رات کون سی تھی، اور کیا چیز اسے بہتر بناتی؟
الزام کے بغیر کہانیاں جمع کریں۔ نمونے تلاش کریں: بار بار کے پیج، غیر واضح الرٹس، رن بکس کی کمی، بالا بھیجنا نہیں۔ ہر نمونہ بہتری ہے۔ پوچھیں کہ کون سی دو تبدیلیاں سب سے زیادہ مدد دیں گی۔ مقصد ہلکا بوجھ اور واضح سگنل ہے۔
اگر ہماری نگرانی کا نظام ناکام ہو تو ہمیں کیسے پتا چلے گا؟
پوچھیں کہ نگران کی نگرانی کون کرتا ہے۔ بہت سی ٹیموں کے پاس یہ جانچ نہیں کہ نگرانی کام کر رہی ہے۔ سادہ ہارٹ بیٹ یا الگ نظام سے پروب پر بات کریں۔ شامل کرنے کے لیے ایک جانچ پر متفق ہوں۔
ہمارے ڈیش بورڈ کیا دکھاتے ہیں، اور انہیں کون دیکھتا ہے؟
ڈیش بورڈز کی فہرست بنائیں اور پوچھیں کہ پچھلے مہینے ہر ایک کس نے برتا۔ غیر برتے گئے ڈیش بورڈ بے ترتیبی ہیں؛ مفید سروس کی کہانی سناتے ہیں۔ پوچھیں کہ ہر ایک کون سے سوال کا جواب دیتا ہے۔ چھوٹا مجموعہ رکھیں جو حقیقی سوالوں کے جواب دے۔
ہمیں کیسے پتا چلے گا کہ ریلیز نے معاملات بدتر کر دیے؟
حالیہ ریلیز چنیں اور پوچھیں کہ کون سا سگنل مسئلہ دکھاتا۔ اگر جواب "ہمیں صارفین سے پتا چلتا" ہے تو بحث کریں کہ ریلیز کے بعد کون سے سگنل دیکھنے ہیں اور کون ذمہ دار ہے۔ یہ سوال نگرانی کو تعیناتی سے جوڑتا ہے۔ ریلیز کے بعد کی مختصر چیک لسٹ لکھیں۔
عملی مثال: چابک ITIL کی ایک مثال
ایک شہر کا پبلک ٹرانسپورٹ کا ادارہ سفر کی منصوبہ بندی کی ویب سائٹ اور ایپ چلاتا ہے جسے روزانہ 400,000 لوگ برتتے ہیں۔ دس افراد کی پلیٹ فارم ٹیم سروس کی مالک ہے، چار کی آن کال باری کے ساتھ۔ ٹیم کے پاس سینکڑوں الرٹس ہیں: ہر سرور پر CPU، ڈسک کی جگہ، قطار کی لمبائیاں، اور غلطیوں کی گنتیاں۔ آن کال انجینئروں کو عام ہفتے میں 40 پیج ملتے ہیں، زیادہ تر کام کے اوقات کے باہر، اور پچھلی سہ ماہی کے دو واقعات کی پہلی رپورٹ صارفین نے سوشل میڈیا پر کی۔
ٹیم لیڈ اور ایک انجینئر تین مہینوں کے پیجز کا جائزہ لیتے ہیں۔ وہ پاتے ہیں کہ تین چوتھائی ان حالتوں کے لیے تھے جنہیں کسی عمل کی ضرورت نہ تھی یا جو خود حل ہو گئیں۔ وہ SRE کتاب کا سادہ طریقہ اپنانے پر متفق ہوتے ہیں: اس پر الرٹ کریں جو صارف تجربہ کرتے ہیں۔ وہ ایسا پروب شامل کرتے ہیں جو ہر منٹ معیاری سفر کی منصوبہ بندی کرتا اور کامیابی اور رفتار ناپتا ہے، اور ڈیٹا بیس اور قطار کی سیچوریشن پر الرٹس کا چھوٹا مجموعہ رکھتے ہیں۔ باقی کو ڈیش بورڈ اور روزانہ ٹکٹ کی طرف منتقل کرتے ہیں۔ باقی ہر پیج کو رن بک کا مختصر اندراج ملتا ہے جو بتاتا ہے کیا جانچنا ہے۔
ایک مہینے بعد پیج گھٹ کر ہفتے میں تقریباً پانچ رہ جاتے ہیں، اور اس کے بعد کے دونوں واقعات صارفین کی شکایت سے پہلے پروب نے پکڑ لیے۔ کچھ مسائل باقی ہیں۔ پروب صرف ایک قسم کا سفر ڈھانپتا ہے، اور سائیکل کے سفر کو متاثر کرنے والی خرابی ایک دن تک نوٹس نہیں ہوئی۔ ایک انجینئر یہ بھی بتاتا ہے کہ "ڈیش بورڈ پر منتقل کرنے" کے فیصلے نے ڈسک کا سست مسئلہ چھپا دیا جو بعد میں ناکامی کا سبب بنا۔ ٹیم دوسری قسم کے سفروں کے لیے پروب شامل کرتی ہے، باری میں ڈیش بورڈ کا روزانہ جائزہ شامل کرتی ہے، اور ہر سہ ماہی پیجر کے بوجھ کا جائزہ لینے پر متفق ہوتی ہے۔
چار نقطہ ہائے نظر
پروڈکٹ اور ڈیلیوری ٹیمیں
ڈیلیوری ٹیمیں جانتی ہیں کہ سافٹ ویئر کو کیا کرنا ہے اور وہ کہاں ناکام ہو سکتا ہے۔ سگنل کوڈ میں بنائیں: مفید لاگز، میٹرکس اور ہیلتھ چیکس۔ اہم صارف کے عملوں کے لیے پروبس متعین کریں، اور نگرانی کو تکمیل کا حصہ سمجھیں۔ الرٹ کے جائزوں میں شریک ہوں تاکہ پیج حقیقی مسائل کی عکاسی کریں۔
سروس اور آپریشنز ٹیمیں
آپریشنز ٹیمیں پیجر اور ڈیش بورڈ اٹھاتی ہیں۔ الرٹس کم اور قابلِ عمل رکھیں، فوریت کے لحاظ سے روٹ کریں، اور پیجر کا بوجھ ٹریک کریں۔ شور والے الرٹس ثبوت کے ساتھ ان ٹیموں کو واپس بھیجیں جو ان کی مالک ہیں، اور واقعات سے جو سیکھیں کہ کیا دیکھنا ہے وہ بانٹیں۔
قیادت اور گورننس
قائدین کو مزید الرٹس نہیں، پیجر کا بوجھ اور واقعات کی شناخت کا ڈیٹا مانگنا چاہیے۔ شور ریٹائر کرنے اور مفید سگنل شامل کرنے کے وقت کی حمایت کریں۔ کام کے اوقات کے باہر پیجز کی بڑھتی تعداد کو سروس اور لوگوں کے لیے خطرہ سمجھیں۔
گاہک اور صارفین
جب مسائل صارفین کے نوٹس کرنے سے پہلے مل جائیں تو انہیں فائدہ ہوتا ہے۔ مسائل تفصیل کے ساتھ رپورٹ کریں، جیسے آپ نے کیا آزمایا اور کب، کیونکہ یہ نگرانی کو ٹھیک کرنے میں مدد دیتا ہے۔ فراہم کنندگان سے پوچھیں کہ وہ ناکامیوں کا پتا کیسے اور کتنی جلدی لگاتے ہیں، اور آیا اسٹیٹس کی معلومات شائع کرتے ہیں۔
ناکامی کی عام صورتیں
- ہر چیز پر الرٹ کرنا۔ پیجر مسلسل بجتا ہے اور اعتماد کھو جاتا ہے۔ اس کے بجائے علامات پر پیج کریں اور باقی ٹکٹوں یا ڈیش بورڈز کو بھیجیں۔
- نظاموں کی نگرانی، صارفین کی نہیں۔ تمام مشینیں سبز ہیں جبکہ صارف لاگ ان نہیں کر سکتے۔ اس کے بجائے حقیقی صارف کے عملوں کے بلیک باکس پروبس شامل کریں۔
- کوئی عمل منسلک نہیں۔ پیج آتے ہیں اور کرنے کو کچھ نہیں۔ اس کے بجائے ہر پیج کا بیان شدہ ردِعمل لازم کریں، یا اسے ہٹائیں۔
- صرف اوسط۔ صارفین کا گروہ تکلیف اٹھاتا ہے جبکہ اوسط ٹھیک لگتا ہے۔ اس کے بجائے بلند پرسنٹائل یا تقسیم دیکھیں۔
- پیچیدہ، چالاک قواعد۔ سیکھی ہوئی حدیں اور انحصار کے درخت جواب دینے والوں کو الجھاتے ہیں۔ اس کے بجائے سادہ، قابلِ فہم قواعد کو ترجیح دیں۔
- غیر نگرانی شدہ نگرانی۔ نگرانی کا نظام خاموشی سے ناکام ہوتا ہے۔ اس کے بجائے اسے ہارٹ بیٹس اور ٹیسٹوں سے جانچیں۔
- رٹے ہوئے جواب۔ لوگ ہر پیج کے بعد وہی درستی دہراتے ہیں۔ اس کے بجائے جواب خودکار کریں یا وجہ ٹھیک کریں۔
- پیجر کے بوجھ کو نظرانداز کرنا۔ رات بھر کے پیجز کو معمول سمجھا جاتا ہے۔ اس کے بجائے انہیں ناپیں اور ان کا جائزہ لیں، اور زیادہ بوجھ کو خطرہ سمجھیں۔
پختگی کا ماڈل
| پہلو | آغاز | ترقی | معیار بندی | انتظام | ہم آہنگی |
|---|---|---|---|---|---|
| صارف کے تجربے کی نظر آنے کی صلاحیت | زیادہ تر مسائل صارفین رپورٹ کرتے ہیں | کچھ سروسز کے صارف کے عملوں کے لیے پروبس یا میٹرکس ہیں | اہم صارف کے عملوں کی پروب ہوتی ہے اور ہر سروس کے لیے سنہری سگنل ٹریک ہوتے ہیں | شناخت کا وقت اور احاطہ ناپے جاتے ہیں اور خلا ٹھیک ہوتے ہیں | نگرانی ٹیموں، فراہم کنندگان اور گاہکوں میں بانٹی جاتی ہے |
| الرٹ کا معیار | بہت سے الرٹس، کم عمل | کچھ ٹیمیں الرٹس چھانٹتی ہیں | پیج علامت پر مبنی، قابلِ عمل، اور فوریت سے روٹ ہوتے ہیں | الرٹ کی درستگی اور شور ناپا اور اس کا جائزہ لیا جاتا ہے | الرٹ کا ڈیزائن مشترکہ شواہد سے ٹیموں میں بہتر ہوتا ہے |
| ردِعمل اور خودکاری | ردِعمل فی البدیہہ ہیں | کچھ رن بکس موجود ہیں | پیج رن بکس سے جڑے ہیں، اور رٹے ہوئے جواب خودکار ہیں | ردِعمل کا وقت اور خودکاری کا استعمال ناپا جاتا ہے | ردِعمل ٹیموں اور فراہم کنندگان میں مربوط ہیں |
| لوگ اور بوجھ | پیجر کا بوجھ ٹریک نہیں ہوتا | کچھ ٹیمیں پیج گنتی ہیں | پیجر کے بوجھ کا ہر سہ ماہی جائزہ لیا جاتا ہے | بوجھ ڈیٹا سے متوازن اور گھٹایا جاتا ہے | بوجھ اور سیکھ ٹیموں میں بانٹی جاتی ہے اور منصوبہ بندی میں جھلکتی ہے |
جانچ فہرست
- ہر اہم سروس کے لیے کم از کم ایک پروب حقیقی صارف کے عمل کی ہے۔
- ہم ہر سروس کے لیے تاخیر، ٹریفک، غلطیاں اور سیچوریشن ٹریک کرتے ہیں۔
- ہر پیج کا لکھا ہوا ردِعمل ہے اور وہ صارف کو نظر آنے والی یا قریب حالت کا ہے۔
- الرٹس فوریت کے لحاظ سے آن کال، ٹکٹوں یا ڈیش بورڈز کو روٹ ہوتے ہیں۔
- تاخیر کے لیے بلند پرسنٹائل یا تقسیم نظر آتی ہے۔
- ہم جائزہ لیتے ہیں کہ کون سے الرٹس سب سے زیادہ بجتے ہیں اور جو کسی عمل تک نہیں لے جاتے انہیں ریٹائر کرتے ہیں۔
- نگرانی کا نظام خود جانچا جاتا ہے۔
- پیجر کے بوجھ (فی شفٹ پیج، کام کے اوقات سے باہر مداخلتیں) کا ہر سہ ماہی جائزہ ہوتا ہے۔
- نئے فیچرز کی تکمیل کی تعریف میں نگرانی شامل ہے۔
- ہر ریلیز کے بعد کوئی سگنلز کو مختصر فہرست کے مقابل جانچتا ہے۔
اے آئی پرامپٹس
مقصد: شور اور قابلِ عمل ہونے کے لیے الرٹس کی فہرست کا جائزہ لینا۔
Here is a list of our alerts with how often each fired in the last [period], and what happened after (acted on, ignored, resolved by itself): [paste as a table; use real data].
Using only my data, group the alerts into: fired often with no action; fired and led to action; rarely fired. For each of the first group, suggest a question to ask its owner (for example whether it can be removed, routed to a ticket, or turned into a symptom-based alert). Do not invent frequencies or outcomes. Tell me what additional data would help, and list what you are unsure of.
مقصد: صارف کے سفر کے لیے پروب متعین کرنا۔
Help me define a black-box probe for this user action in [service]: [describe, for example "a user searches for a journey and receives results"].
What counts as success: [describe].
What is too slow: [say "unknown" or describe in words, not numbers].
What systems the action touches: [list].
Describe the steps the probe should perform, what it should record (success, time taken, and where it failed), what alert condition to propose (leave thresholds as [to be agreed]), and what a responder would check first. Mark assumptions. Do not invent system details. Ask clarifying questions first, and list what you are unsure of.
مقصد: الرٹ کے لیے ردِعمل کا حصہ لکھنا۔
For this alert, write a short response entry for on-call staff.
Alert name and condition: [paste].
What it means for users: [describe].
What I know to check first: [list].
Who to escalate to: [role, or write "unknown"].
Write: what the alert means, the first three checks, how to tell whether users are affected, when to escalate, and a note on whether the response could be automated. Use only my information; mark anything you added as [CHECK]. Ask clarifying questions first, and list what you are unsure of.
مقصد: سہ ماہی پیجر کے بوجھ کے جائزے کی تیاری کرنا۔
Help me prepare a quarterly pager load review for [team].
Data for the quarter (pages by week, out-of-hours pages, pages with no action, incidents detected by monitoring versus by users): [paste real figures].
Context: [describe changes in the period].
Summarize the data in plain language, using only my figures. Highlight trends and outliers as questions, not conclusions. Suggest three questions for the team and one for management. Do not invent causes. If the data is incomplete, say what to collect. List what you are unsure of.
اے آئی سکلز
- runbook: ہر پیج کے ساتھ جانے والا ردِعمل لکھنے کے لیے استعمال کریں۔
- on-call-rotation: منصفانہ باری ڈیزائن کرنے اور پیجر کے بوجھ کے بانٹنے اور جائزے کی منصوبہ بندی کے لیے استعمال کریں۔
- software-engineering-metrics: سروس اور ترسیل کی کارکردگی کے پیمانے چننے اور ان کی تعبیر کے لیے استعمال کریں۔
- performance-testing: مسائل کے صارفین تک پہنچنے سے پہلے بوجھ میں تاخیر اور سیچوریشن جانچنے کے لیے استعمال کریں۔
- chaos-testing: محفوظ ماحول میں دانستہ ناکامیاں پیدا کر کے آزمانے کے لیے استعمال کریں کہ ان کا پتا لگتا اور انہیں سنبھالا جاتا ہے۔
اہم ماخذ
- Monitoring Distributed Systems (Site Reliability Engineering، Google، sre.google): تعریفیں، چار سنہری سگنل، علامات بمقابلہ وجوہات، اور سادہ الرٹنگ پر مشورہ۔
- Practical Alerting from Time-Series Data (Site Reliability Engineering، Google، sre.google): الرٹنگ کے قواعد، روٹنگ اور ڈگمگانا عملاً کیسے کام کرتے ہیں۔
- Service Level Objectives (Site Reliability Engineering، Google، sre.google): اشاروں، مقاصد اور الرٹس کے درمیان تعلق۔
- IT service management (Wikipedia): ITSM میں نگرانی اور واقعات کا مقام۔
حوالہ جات
- Monitoring Distributed Systems — Google SRE book, sre.google — https://sre.google/sre-book/monitoring-distributed-systems/
- Practical Alerting from Time-Series Data — Google SRE book, sre.google — https://sre.google/sre-book/practical-alerting/
- Service Level Objectives — Google SRE book, sre.google — https://sre.google/sre-book/service-level-objectives/
- IT service management — Wikipedia — https://en.wikipedia.org/wiki/IT_service_management
- Network monitoring — Wikipedia — https://en.wikipedia.org/wiki/Network_monitoring
- Observability (software) — Wikipedia — https://en.wikipedia.org/wiki/Observability_(software)
- Site reliability engineering — Wikipedia — https://en.wikipedia.org/wiki/Site_reliability_engineering
- Alarm fatigue — Wikipedia — https://en.wikipedia.org/wiki/Alarm_fatigue
- Incident management — Wikipedia — https://en.wikipedia.org/wiki/Incident_management