Por que você não quer todos os alertas: alarme ou resumo

O primeiro instinto depois de um incidente ruim é sempre o mesmo: ligar todos os alertas. Seis semanas depois você não lê nenhum, e isso não é um problema de disciplina.

O valor de um alarme não está em tocar, está em ser lido. Um alarme que toca todo dia te ensina a ignorá-lo, e ao ir embora leva junto o de verdade.

Três perguntas antes de acrescentar um alarme

Se isso tocar às três da manhã, eu levantaria? Se a resposta for não, isso não é um alarme, é um recado. Recados ficam em outro lugar.

Eu posso fazer alguma coisa a respeito? Um aviso sobre o qual você não pode agir não é informação, é só inquietação. "Temperatura do disco 41 graus" não é um alarme.

Quantas vezes ele vai tocar quando estiver tudo bem? Se a resposta passar de "de vez em quando", o problema não é o alarme, é o limite. Num disco que fica sempre em 82 por cento, um limite de 80 não produz um alarme, produz um hábito.

A única distinção que conserta a maioria das instalações

Alarme e resumo são duas coisas diferentes. O alarme é raro e te interrompe: você precisa largar o que está fazendo e olhar. O resumo é regular e se lê com calma, ao lado do café.

A maior parte do que as pessoas transformam em alarme pertence, na verdade, a um resumo. "Há tantas atualizações", "aquela máquina trabalhou muito ontem", "aquele backup não é tirado há três dias": nada disso te tira da cama, e mesmo assim tudo merece ser sabido.

No momento em que você faz essa distinção, ganha duas vezes: a lista de alarmes encurta e volta a ser levada a sério, e o resumo passa a ser realmente lido porque tem conteúdo.

O limite não é um detalhe técnico, é o próprio projeto

Em vez de escolher um limite porque soa razoável, meça como é o normal na sua máquina. Num servidor cujo disco fica sempre em 78 por cento, 80 está errado e 90 está certo. Numa máquina cuja carga é sempre alta não deveria existir alarme de carga nenhum.

Ajustar um limite uma vez e seguir em frente também não basta. A máquina muda, o trabalho em cima dela cresce. Perguntar uma vez por ano "qual aviso realmente me ensinou alguma coisa" corrige os limites sozinho.

O mais difícil: não saber não é a mesma coisa que estar bem

Se uma verificação se cala quando não consegue ler seus dados, você lê esse silêncio como saúde. Na verdade nada se sabe.

É a falha mais traiçoeira do monitoramento, porque a tela está verde. O comportamento certo não é dizer "nada de errado", é dizer "isto eu não consegui ler". Um vigia que diz o que não conseguiu ver vale mais do que um que fica calado.

O que o Atlas faz

O Atlas Watch não é um fluxo de alarmes, é um resumo diário. Ele coloca num só lugar o estado acumulado ao longo do dia, numa forma que dá para ler com calma.

Dentro dele há doze verificações: reinício do servidor, ocupação do disco raiz, memória, carga, tempo de atividade, atualizações pendentes, atualizações de segurança, atualizações que exigem reinício, um salto grande de núcleo, máquinas críticas paradas, processador e memória por máquina, e a idade do backup.

Cada verificação pode ser desligada individualmente, cada uma pode receber sua própria gravidade, e na maioria o limite é seu. Os limites são protegidos por um piso e um teto, então um valor sem sentido não é aceito: idade do backup entre um e sessenta dias, ocupação de disco entre cinquenta e noventa e nove por cento.

Uma delas merece menção à parte, porque responde ao ponto mais difícil acima: quando a informação de backup não pode ser lida, o Watch não se cala, ele diz que não conseguiu ler. As pessoas leem silêncio como saúde; toda a âncora de confiança de um vigia está nesse comportamento.