Monitorización

Qué es

La monitorización consiste en leer continuamente lo que un sistema
en funcionamiento informa sobre sí mismo: algún mecanismo compara
esos informes con límites definidos y decide cuándo debe avisar a
una persona. El libro Site Reliability Engineering de Google la
define como la recogida, el procesamiento, la agregación y la
presentación de datos cuantitativos sobre un sistema en tiempo real:
cuántas solicitudes llegan y de qué tipo, cuántas fallan y cómo,
cuánto tardan y cuánto lleva funcionando cada servidor. El objetivo
es un orden de acontecimientos: que el sistema avise de sus
problemas antes que un usuario.

Los datos llegan por dos vías. La monitorización de caja blanca lee
lo que el sistema expone sobre su interior, como un punto de acceso
a métricas, la longitud de una cola o un recuento de reintentos; así
puede detectar problemas en formación antes de que alguien los note.
La monitorización de caja negra se sitúa fuera y se comporta como un
usuario: solicita una página, resuelve un nombre o completa un
inicio de sesión e informa de si funcionó y cuánto tardó. Solo ve lo
que ya está fallando; por eso ofrece una razón fiable para despertar
a alguien.

La mayor parte de lo que conserva un sistema de monitorización son
cifras muestreadas a lo largo del tiempo: son baratas de almacenar y
fáciles de comparar con un umbral. El mismo capítulo de SRE
identifica cuatro como punto de partida para cualquier sistema que
atienda a usuarios: latencia, el tiempo que tarda una solicitud;
tráfico, la demanda que llega; errores, la proporción de solicitudes
que fallan; y saturación, lo cerca que está de llenarse el recurso
más ocupado.

Alrededor de las cifras hay dos salidas. Un panel sirve para
consultar cuando alguien ya sospecha que ocurre algo. Una alerta
sirve para interrumpir cuando todo el mundo está ocupado con otra
cosa. En el ecosistema Prometheus, el servidor evalúa las reglas y
Alertmanager agrupa, elimina duplicados y encamina las alertas que
se activan.

Es fácil confundirla con dos prácticas cercanas. El registro en logs
anota eventos individuales, una línea por suceso, y se consulta tras
una alerta para averiguar la causa. La observabilidad, según la
plantea el proyecto OpenTelemetry, es la capacidad más amplia de
hacer preguntas nuevas a un sistema desde fuera. La monitorización
es una práctica más acotada y antigua: preguntas decididas de
antemano, formuladas continuamente, con una respuesta capaz de
avisar al personal de guardia.

Por qué importa

La alternativa es enterarse de los problemas por quienes los sufren,
a la hora que los detecten. La monitorización adelanta ese momento y
pone el aviso en manos de alguien que pueda actuar.

El recurso escaso es la atención, más que el software. Un aviso de
guardia interrumpe el trabajo de día y el sueño de noche; el libro
de SRE es tajante sobre las consecuencias de recibir demasiados: la
gente los lee por encima, desconfía de ellos y acaba ignorándolos, a
veces también el verdadero que queda oculto entre el ruido. La
orientación del proyecto Prometheus cabe en una frase: «mantenga las
alertas sencillas, alerte sobre síntomas, disponga de buenas
consolas para localizar las causas y evite los avisos de guardia
ante los que no haya nada que hacer». Cada regla que puede despertar
a alguien promete que, al activarse, habrá algo urgente que esa
persona deba hacer.

Así, la decisión central se refiere a lo que sienten los usuarios.
Un disco al

85 % es una causa; un proceso de pago que falla es un síntoma.
Alertar sobre síntomas reduce el número de reglas: hay muchas menos
maneras de perjudicar a los usuarios que de que las máquinas se
comporten mal. Las causas siguen teniendo sitio en paneles y
tickets, donde ayudan a diagnosticar sin despertar a nadie. La
capacidad es la excepción justificada: un recurso casi lleno no
perjudica a nadie hoy, pero pronto necesitará una intervención.

Después hay que decidir si operarlo o contratarlo. Operarlo exige un
almacén de series temporales, un enrutador de alertas y alguien que
mantenga ambos en buen estado. Un servicio alojado elimina ese
trabajo y factura por el volumen enviado: cada servidor nuevo se
refleja en una factura. El libro de SRE señala que, incluso en
Google, un equipo de 10–12 ingenieros suele tener una o dos personas
dedicadas principalmente a la monitorización. En cualquier caso, es
un sistema con mantenimiento propio, que debe dimensionarse en
función del sistema vigilado.

Cómo se aplica en la práctica

Dos puestos anteriores de la fundadora y el servidor propio de la
empresa muestran la misma idea a escalas muy distintas.

Entre 2015 y 2022, en un puesto de ingeniería de infraestructura, el
trabajo consistió en dar soporte 24/7 a unos 1.000 servidores de
streaming IPTV/OTT, además de bastantes sistemas propiedad de los
clientes, para clientes de China, Estados Unidos y Alemania. Con
clientes en tres husos horarios no había una hora tranquila: un
problema a las 3 de la madrugada local coincidía con el horario de
máxima audiencia en otro lugar. Buena parte del trabajo era detectar
desviaciones antes de que se convirtieran en interrupciones, y los
problemas se resolvían antes de llegar a la pantalla del espectador.
En un servicio así, el éxito se manifiesta en que no ocurre nada; la
monitorización permite saberlo, en lugar de confiar en que sea así.

En un puesto de ingeniería de bases de datos entre 2022 y 2024, con
100 bases de datos PostgreSQL, MS SQL y BigQuery, la monitorización
automatizada redujo el tiempo de indisponibilidad en un 50 %.

Monitorizar el servidor propio de la empresa para servicios de
acceso público supone trabajar en el otro extremo de la escala. Una
sola máquina de 512 MB ejecuta esos servicios, con unos 464 MB
utilizables; la memoria disponible condiciona cada decisión de
diseño. Los informes se obtienen a petición, en lugar de emplear un
agente, un flujo de procesamiento y un panel: siete órdenes leen el
servidor y generan Markdown, sin cambiar nada y solo cuando alguien
las solicita. La decisión sobre el servicio onion muestra el método:
una vez planteada la pregunta, se tomaron muestras del servidor
durante un día y las lecturas la resolvieron. En esas muestras
registradas, el mínimo de memoria disponible fue de unos 310 MB de
464; el uso de swap se mantuvo en el 2,6 % y el procesador estuvo
inactivo el 99,7 % del tiempo. A esa escala, monitorizar es tomar
una medición en el momento en que una decisión la necesita.

Dónde surgen los problemas

El avisador suena tanto que la gente deja de leerlo. Cada incidente
deja una regla; muchas se activan por causas que desaparecen solas
y, en pocos meses, el aviso verdadero se pasa por alto junto con los
demás. Avise al personal de guardia solo de lo que notarían los
usuarios, en un único punto de la arquitectura, y envíe lo demás a
una cola de tickets o a un panel. Exija después que la condición se
mantenga un tiempo antes de activar la alerta, para que una anomalía
que se resuelve en un minuto no despierte a nadie:

```yaml
groups:
    - name: checkout
      rules:
          - alert: CheckoutErrorsHigh
            expr: job:checkout_errors:ratio5m > 0.02
            for: 10m
            labels:
                severity: page
```

La monitorización se detiene y su silencio se interpreta como una
buena noticia. Una regla que nunca se activa parece exactamente
igual que un sistema que nunca falla. Si cae el servidor Prometheus,
Alertmanager o el retransmisor de correo, todas las alertas se
detienen a la vez. Prometheus recomienda alertar sobre la propia
monitorización y, mejor aún, probar todo el recorrido de extremo a
extremo: una comprobación demuestra así que una alerta puede viajar
desde la regla hasta la bandeja de entrada. Los trabajos programados
caen en la misma trampa: una copia de seguridad que deja de
ejecutarse no genera errores; simplemente deja de producir rastros.
Avise cuando el último éxito sea demasiado antiguo, dejando margen
para al menos dos ejecuciones completas; para un trabajo de una hora
que se ejecuta cada 4 horas, el proyecto propone 10 horas:

```promql
time() - backup_last_success_timestamp_seconds > 10 * 3600
```

El promedio dice que todo va bien mientras algunos usuarios esperan.
Los promedios son fáciles de representar y ocultan la cola de la
distribución. El ejemplo del libro de SRE es un servicio con un
promedio de 100 ms a 1.000 solicitudes por segundo, donde un 1 % de
las solicitudes puede tardar fácilmente

5 segundos. Si una página depende de varios servicios así, el
percentil 99 de un backend puede convertirse en la mediana del
frontend. Los fallos rápidos lo empeoran: un error inmediato reduce
el promedio. Registre la latencia por intervalos, alerte sobre un
percentil alto y mida las solicitudes fallidas por separado de las
correctas.

Todas las cifras internas están en verde, pero los usuarios no
pueden acceder al servicio. Las métricas de caja blanca proceden del
interior del sistema y comparten sus puntos ciegos: un certificado
caducado, un registro DNS incorrecto o un cambio en el cortafuegos
pueden dejarlas todas en buen estado. Una comprobación de caja negra
desde una máquina ajena a la red del sistema detecta lo que de otro
modo sería invisible y sigue funcionando cuando la monitorización
interna cae con todo lo demás.

Lecturas adicionales

  * Prometheus: visión general — qué recoge un sistema de
monitorización basado en métricas, qué partes lo componen y cuándo
la precisión por evento exige otra herramienta.

  * Alertas — la orientación de Prometheus sobre cuándo avisar al
personal de guardia, desde servicios en línea y trabajos por lotes
hasta la vigilancia de la propia monitorización.

  * Alertmanager — cómo se eliminan duplicados, se agrupan,
silencian, inhiben y encaminan las alertas hacia un receptor.

  * Monitorización de sistemas distribuidos — el capítulo 6 del
libro Site Reliability Engineering de Google: síntomas y causas, las
cuatro señales de oro y la cola de la distribución.

  * Introducción a la observabilidad — la explicación de
OpenTelemetry sobre señales, SLI y SLO y sobre cómo la
observabilidad va más allá de la monitorización.

hEsta página en la web	URL:https://engineer.company/es/glossary/monitoring/	engineer.company	70
