Как сократить обнаружение инцидентов с 40 до 10 секунд

Команда Atlassian перестроила платформу обработки клиентской телеметрии, заменив Node.js-агрегаторы и общую очередь на архитектуру с Apache Kafka, Flink, Kubernetes и OpenTelemetry.

Результаты оказались такими:

— задержка от события до метрики сократилась с 40+ до менее 10 секунд;

— около 90 виртуальных машин заменили четыре Kubernetes-пода;

— ежемесячные расходы снизились с $20 000 до $650;

— пропускная способность превысила миллиард событий в сутки;

— число регулярных перезапусков Flink-задания сократилось с восьми в день до нуля.

Авторы статьи разбирают ложные срабатывания, пропущенные инциденты, ошибки автоскейлинга и ситуацию, когда отсутствие телеметрии ошибочно принимается за нормальную работу.

Читать на Хабре

📱 Telegram | 📲 MAX