Когда сервис «падает без причины», сначала ломается не код, а интерпретация событий. В 70% случаев (если верить не цифрам, а практике расследований) проблема в том, что в логе смешаны три слоя: симптом, триггер и первопричина. Если их не разделить, команда начинает чинить шум.
Что проверять в первую очередь:
• есть ли точное время первого сбоя, а не время алерта;
• повторяется ли ошибка при одинаковом входе;
• не маскирует ли ретрай исходную причину;
• совпадает ли stack trace с бизнес-событием или только с побочным эффектом.
В терминах инцидент-анализа это похоже на TLS 1.3: если не отличить failure in transport от failure in application, вы будете искать не там. RFC 8446 отдельно разводит handshake, resumption и alert path; в расследованиях нужен такой же уровень дисциплины. Лог без контекста — это не доказательство, а гипотеза.
Практика простая: сохраняйте сырой сигнал до нормализации, фиксируйте корреляционный ID и отдельно помечайте «первое наблюдение» и «момент, когда стало заметно». Это занимает минуты, но экономит часы на postmortem.
Bottom line: не лечите событие, пока не отделили его от причины; иначе вы оптимизируете только собственную уверенность. Further reading: RFC 8446, базовые принципы root cause analysis.
GoLogin против Dolphin Anty — что выбрать
@gologin_vs_dolphin
Почему редкая ошибка в логах ломает весь разбор инцидента
Этот пост опубликован в Telegram-канале GoLogin против Dolphin Anty — что выбрать (@gologin_vs_dolphin). Все его публикации — на странице канала.
Открыть в Telegram