تیم فنی زیرساخت را با Host، Interface، Process و Item میبیند؛ اما کاربران و مدیران، «سرویس» را میبینند.
برای کاربر مهم نیست CPU سرور چند درصد است. سؤال اصلی او این است:
آیا سامانه موردنیاز من در دسترس است و درست کار میکند؟
Business Service Monitoring دادههای فنی را به وضعیت قابل فهم سرویس تبدیل میکند.
تفاوت Component و Service
یک سامانه ممکن است از این اجزا تشکیل شده باشد:
• DNS
• Firewall
• Load Balancer
• Web Server
• Application Server
• Database
• Storage
• Active Directory
• WAN
هرکدام میتوانند دهها Item و Trigger داشته باشند؛ اما از دید کسبوکار همه آنها یک سرویس مانند «اتوماسیون اداری» را تشکیل میدهند.
بنابراین:
Component Health ≠ Service Health
ممکن است یکی از Web Serverها Down باشد، اما بهدلیل Load Balancing سرویس همچنان در دسترس باشد. در مقابل، همه Serverها روشناند ولی Authentication خراب است و سرویس برای کاربر کار نمیکند.
Service Tree
در Zabbix میتوان سرویسها را بهصورت سلسلهمراتبی طراحی کرد:
سامانه سازمانی
↳ دسترسی شبکه
↳ احراز هویت
↳ Web Tier
↳ Application Tier
↳ Database Tier
↳ Storage
↳ Backup
هر بخش میتواند Child Service داشته باشد و وضعیت آن براساس Problemهای مرتبط محاسبه شود.
Problemها معمولاً با Tag به Service متصل میشوند.
مثال:
service: automation
component: database
env: production
بدون Tag Standard، ساخت Service Monitoring قابل نگهداری دشوار است.
SLA، SLO و SLI
🔹 SLI — Service Level Indicator
Metric اندازهگیریشده، مانند Availability یا Response Time
🔹 SLO — Service Level Objective
هدف داخلی، مانند دسترسپذیری 99.9%
🔹 SLA — Service Level Agreement
تعهد رسمی ارائه سرویس که ممکن است پیامد قراردادی یا مدیریتی داشته باشد.
این سه مفهوم نباید بهجای یکدیگر استفاده شوند.
محاسبه Availability
فرمول ساده:
Availability = (Total Time − Downtime) ÷ Total Time × 100
برای یک ماه ۳۰روزه:
• 99% تقریباً ۷ ساعت و ۱۲ دقیقه Downtime
• 99.9% تقریباً ۴۳ دقیقه Downtime
• 99.99% تقریباً ۴ دقیقه و ۱۹ ثانیه Downtime
افزایش تعداد 9ها هزینه معماری، Redundancy و عملیات را بهشدت افزایش میدهد.
SLA باید براساس نیاز واقعی و توان فنی سازمان تعیین شود، نه یک عدد تبلیغاتی.
چه چیزی Downtime محسوب میشود؟
این موضوع باید قبل از گزارشگیری مشخص شود:
• قطعی کامل
• افت Performance شدید
• عدم امکان Login
• خرابی یک قابلیت حیاتی
• قطعی یک شعبه
• Failover موفق
• Maintenance برنامهریزیشده
• مشکل خارج از کنترل سازمان
اگر تعریف Downtime شفاف نباشد، گزارش SLA محل اختلاف خواهد شد.
Maintenance و SLA
Maintenance برنامهریزیشده ممکن است براساس قرارداد از محاسبه SLA خارج شود؛ اما فقط زمانی که:
• از قبل تأیید شده باشد.
• بازه آن مشخص باشد.
• Host و Service درست انتخاب شده باشند.
• دلیل و Change Request ثبت شده باشد.
• بیش از زمان مصوب ادامه پیدا نکند.
هر Downtime را نباید پس از وقوع به Maintenance تبدیل کرد تا گزارش بهتر به نظر برسد.
SLA باید واقعیت سرویس را نمایش دهد، نه عملکرد ظاهری تیم را.
طراحی یک سرویس واقعی
برای سرویس «پرتال سازمانی» میتوان این Checkها را در نظر گرفت:
• DNS Resolution
• Public یا Internal Connectivity
• HTTPS
• Certificate
• Login Transaction
• Web Response Time
• Application API
• Database Health
• Authentication
• Storage
• Backup Result
مهمترین SLI بهتر است از دید کاربر اندازهگیری شود؛ مثلاً موفقیت Login و بارگذاری Dashboard، نه فقط Up بودن VM.
الگوریتم وضعیت سرویس
باید مشخص شود خرابی Childها چگونه روی Parent تأثیر میگذارد.
سناریوهای مختلف:
• خرابی هر Child، سرویس را Down کند.
• خرابی حداقل دو Node از سه Node مشکل ایجاد کند.
• فقط Triggerهای High و Disaster اثرگذار باشند.
• خرابی Node پشتیبان فقط وضعیت Degraded ایجاد کند.
• Failover موفق Availability را حفظ کند.
این منطق باید با معماری واقعی High Availability هماهنگ باشد.
Error Budget
اگر SLO برابر 99.9% باشد، مقدار باقیمانده تا 100% یک Error Budget ایجاد میکند.
Error Budget کمک میکند میان این موارد تعادل برقرار شود:
• سرعت تغییر
• Reliability
• Maintenance
• Release جدید
• ریسک قابل قبول
اگر Error Budget مصرف شده باشد، اولویت باید روی Stability و رفع Root Cause قرار بگیرد.
گزارش SLA برای مدیریت
گزارش مناسب شامل این موارد است:
☑️ نام سرویس
☑️ مالک سرویس
☑️ SLO یا SLA هدف
☑️ Availability واقعی
☑️ مدت Downtime
☑️ Maintenance
☑️ تعداد Incident
☑️ MTTR
☑️ مهمترین Root Causeها
☑️ اقدام اصلاحی
☑️ روند نسبت به ماه قبل
گزارش فقط نباید عدد 99.8% را نمایش دهد؛ باید توضیح دهد چرا هدف محقق نشده و چه اقدامی در حال انجام است.
اشتباهات رایج
❌ محاسبه SLA براساس Ping
❌ نداشتن Service Owner
❌ اتصال تمام Triggerها به SLA
❌ Tagگذاری نامنظم
❌ تعریف نادرست Maintenance
❌ نادیدهگرفتن Performance
❌ گزارش درصد بدون Root Cause
❌ تغییر داده برای زیباترشدن گزارش
❌ SLA یکسان برای همه سرویسها
❌ نبودن Synthetic Check
براساس مستندات رسمی، Service Monitoring در Zabbix میتواند ساختار سلسلهمراتبی سرویس، محاسبه وضعیت، شناسایی نقاط مشکلساز و گزارش SLA را فراهم کند.
📚 مستندات رسمی Service Monitoring
🎯 جمعبندی
بلوغ مانیتورینگ زمانی اتفاق میافتد که از سؤال «کدام Host Down است؟» به سؤال «کدام سرویس تحت تأثیر قرار گرفته و تعهد ما به کاربر چقدر محقق شده است؟» برسیم.
در قسمت بعد:
🔜 Capacity Planning با دادههای Zabbix؛ چگونه پیش از پرشدن Storage یا اشباع لینک، زمان ارتقا را پیشبینی کنیم؟
🛡 NEACASPACE
