ИТ-мониторинг и доступность: Nagios, Zabbix и мониторинг аптайма

Коротко: Мониторинг непрерывно проверяет, доступны ли сервисы и серверы и исправны ли они, и оповещает о проблемах; доступность измеряется в процентах и управляется через пороги и тревоги.

Подробнее: «Мы узнаём, когда звонят клиенты» — слишком поздно. Мониторинг обнаруживает сбои и тенденции (диск заполняется, не хватает памяти, истекает сертификат) до возникновения ущерба.

Подробности

Что отслеживается

• Доступность (ping/HTTP/порт TCP), время отклика.
• Системные значения: CPU, RAM, место на диске, ввод-вывод, пропускная способность сети, температура.
• Сервисы/процессы, база данных, очереди, журналы/доля ошибок.
• Сертификаты (срок действия), домен, резервные копии (запускаются ли?), ИБП, принтеры/тонер (SNMP).
• Приложение (APM): запросы, ошибки, задержки, бизнес-метрики (заказов в минуту).
• Синтетический мониторинг: имитируемый пользователь проходит вход/покупку.

Инструменты

• Nagios/Icinga/Checkmk: классический мониторинг на основе проверок.
• Zabbix: агент, SNMP, автообнаружение, дашборды.
• Prometheus + Grafana: метрики, Alertmanager (cloud-native).
• Uptime Kuma (self-hosted, простой), UptimeRobot, Better Stack, Pingdom: внешние HTTP-проверки, страницы статуса.
• ELK/Loki (журналы), Sentry (ошибки), OpenTelemetry (трассы).
• Страница статуса (как /status) честно информирует пользователей о сбоях.

Тревоги и доступность

• Пороги с уровнями предупреждение (80 %) и критично (95 %); гистерезис и повторные попытки (оповещать только после 3 сбоев) против ложных тревог.
• Избегайте усталости от оповещений: только требующие действий тревоги, приоритеты, график дежурств, runbook (что делать при тревоге X?).
• Каналы: электронная почта, чат, push, SMS, телефон для критичных.
• Доступность = (общее время − простой) / общее время; 99,9 % ≈ 43 мин простоя в месяц; задавайте SLO/SLA; бюджет ошибок.
• Четыре золотых сигнала: задержка, трафик, ошибки, насыщение.

Начало и экзамен

• Начните с малого: Uptime Kuma для сайтов + сертификат + тревога по месту на диске; уведомление на телефон.
• Анализ первопричин: дашборд + журналы + история (что изменилось? деплой?).
• Планирование ёмкости по тенденциям.
• Конфиденциальность: журналы могут содержать персональные данные (IP), ограничивайте срок хранения.
• Поддержание: держите проверки актуальными, тестируйте тревоги, мониторьте сам мониторинг (dead man’s switch).
• IHK: рассчитать доступность, объяснить термины мониторинга (SNMP, агент, polling и trap, порог).

См. также: Prometheus и метрики, Дашборды в Grafana, SNMP, ИТ-планирование на случай чрезвычайных ситуаций