Один из самых дорогих уроков в инфраструктуре — не тот, где падает сервер. А тот, где он «почти не падает».

Один из самых дорогих уроков в инфраструктуре — не тот, где падает сервер. А тот, где он «почти не падает».

У одного проекта всё выглядело спокойно: мониторинг молчал, CPU был в норме, диски — живые. Но время от времени сайт начинал отвечать по 20–30 секунд. Без ошибок, без алертов, без понятной причины. Команда неделю искала баги в коде, потом — в сети, потом — в балансировщике.

Проблема оказалась банальной: на хостинге включили соседний шумный сервис, и у виртуальной машины начались редкие, но болезненные просадки по I/O. Не катастрофа, не авария — просто достаточно, чтобы пользователи уже раздражались, а метрики ещё не кричали 🚨

Вывод оказался жестким: если у вас есть только «сервер жив» и «сервер мёртв», вы слепы. Нужны метрики задержек, очередей, p95/p99 и нормальная видимость по дискам. Иначе вы будете чинить не причину, а последствия.