# 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](/es/portfolio/ran-24-7-support-for-1000-iptv-ott-servers/), 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](/es/portfolio/ran-100-postgresql-ms-sql-bigquery-warehouses/), 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](/es/portfolio/a-whole-company-on-one-small-server/), 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](https://prometheus.io/docs/introduction/overview/) — qué recoge un sistema de monitorización basado en métricas, qué partes
  lo componen y cuándo la precisión por evento exige otra herramienta.
- [Alertas](https://prometheus.io/docs/practices/alerting/) — 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](https://prometheus.io/docs/alerting/latest/alertmanager/) — cómo se eliminan duplicados, se agrupan, silencian, inhiben y encaminan
  las alertas hacia un receptor.
- [Monitorización de sistemas distribuidos](https://sre.google/sre-book/monitoring-distributed-systems/) — 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](https://opentelemetry.io/docs/concepts/observability-primer/) — la explicación de OpenTelemetry sobre señales, SLI y SLO y sobre cómo la
  observabilidad va más allá de la monitorización.

<https://engineer.company/es/glossary/monitoring/>
