ارتقا پایداری ستاره در راهکار ها

[mhaghighat20]

بزرگترین مشکلات موجود در پایداری سرویس ها:

• طولانی شدن زمان مهاجرت
• عدم اطمینان مشتری از پایداری و بدون باگ بودن نرم افزار در پروژه های بزرگ و پیچیده
• صرف زمان و هزینه روی مشکلاتی که واقعا باگ نیستند (مثل مشکلات زیرساختی)

اقدامات پیشنهادی با محوریت افزایش Observability و اجرای Continuous Delivery

1. وجود مانیتورینگ CPU و RAM و Disk روی همه ی سرور های Application و پایگاه داده
2. ارسال Notification برای پر شدن Disk
3. غیر فعال بودن Swap روی همه سیستم عامل های میزبان میکروسرویس های Application
4. ریست منظم سیستم عامل (ماهانه)
5. بک آب منظم پایگاه داده متادیتا (فرکانس بک آپ ثبت شود) و داده اصلی
6. بک آپ پایگاه داده متادیتا قبل از هر Migration پایگاه داده
7. نگهداری تاریخچه همه تغییرات کانفیگ ها و شماره پچ نسخه های هر میکروسرویس (شامل زمان تغییر، مقدار تغییر یافته قدیمی و جدید) در Production
8. انجام هر تغییر کانفیگ میکروسرویس و تغییر نسخه پچ فقط از طریق Commit روی git
9. مشاهده پذیری (Observability) همه میکروسرویس ها از طریق تجمیع لاگ پرفرمنس یا Open Telemetry
10. امکان گرفتن دامپ به صورت امن و ساده
11. اتصال Health Check ستاره به Zabbix
12. فعال بودن HA برای AM و مقاوم بودن محیط عملیات نسبت به ریستارت یا کرش سرویس AM
13. تفکیک محیط Stage و Production در راهکار
14. تفکیک موتور زمان‌بند و طراح به نحوی که تغییرات نسخه و کانفیگ هر یک روی دیگری اثر نگذارد
15. هماهنگی شماره پچ و زمان هر به روزرسانی با تیم ستاره
16. امکان پایش پایداری ستاره در حوزه Logic بعد از هر به روزرسانی (به ازای هر محصول/نیازمند چک لیست جداگانه)
17. امکان پایش پایداری ستاره در حوزه Performance بعد از به روزرسانی (به ازای هر میکروسرویس/نیازمند چک لیست جداگانه)
18. تست های خودکار محیط Production در حوزه Logic برای کلیه کار های مهم راهکار (بررسی میزان پوشش کسب و کار توسط تست ها)
19. تست فشار روی کل محیط عملیات
20. پایش مداوم لاگ های Performance کل ستاره و تشخیص خطا و Exception های کاربران عمومی که به آن دسترسی نداریم (مثل کاربران استانی)
21. پایش مداوم لاگ های Performance و بررسی 95p و 99p محصولات و مطابقت آن با استاندارد های اعلام شده و نیاز پروژه
22. وجود Distributed Observability به معنای امکان Trace هر اتفاق در کل محیط Production از UI تا backend و حتی پایگاه داده های متادیتا و اصلی از طریق اتصال همه به استاندارد Open Telemetry و یا مکانیزم distributed transaction id و session id در پایگاه داده
23. امکان تعامل با کاربر نهایی به صورت تلفن و پیام بعد از دیدن یک خطا یا Anomaly در لاگ پرفرمنس (وصل بودن Id ها و Trace ها به هویت کاربر در سازمان)
24. امکان شبیه سازی دسترسی ها و محیط در دسترس کاربر نهایی از طریق Impersonation (مانند کسرا)
25. ارائه جریان داده ها و داشبورد های پر استفاده راهکار به واحد فناوری تحلیل داده و اضافه شدن آن ها به gatekeeper های ستاره و تست خودکار logic آن ها قبل از ارائه نسخه جدید به راهکار
26. ارائه جریان داده و داشبورد های پر استفاده راهکار به واحد فناوری تحلیل داده و اضافه شدن آن ها به gatekeeper و تست خودکار Performance آن ها به صورت مداوم و قبل از ارائه نسخه جدید به راهکار (مشابه elasticsearch nightly benchmark)

[mhaghighat20]

تاکید روی نیاز و فلسفه هر کدام
در نظر گرفتن ضعف مستند ها و تکمیل تدریجی آن ها

[mhaghighat20]

دسته‌بندی اقدامات مانیتورینگ و عملیاتی

1. مانیتورینگ و اعلان‌ها (Monitoring & Alerting)

1. وجود مانیتورینگ CPU، RAM و Disk روی همه‌ی سرورهای Application و پایگاه داده
2. ارسال Notification برای پر شدن Disk (رسیدن به 95 درصد)
3. اتصال Health Check ستاره به Zabbix
4. پایش مداوم لاگ‌های Performance کل ستاره و تشخیص خطا و Exception‌های کاربران عمومی
5. پایش مداوم لاگ‌های Performance و بررسی 95p و 99p محصولات

2. بک‌آپ و بازیابی (Backup & Recovery)

5. بک‌آپ منظم پایگاه داده متادیتا (ثبت فرکانس) و داده اصلی
6. بک‌آپ پایگاه داده متادیتا قبل از هر Migration

3. پایداری و تحمل خطا (High Availability & Resilience)

3. غیرفعال بودن Swap روی سیستم‌عامل‌های میزبان میکروسرویس‌ها
4. ریست منظم سیستم‌عامل (ماهانه)
5. فعال بودن HA برای AM و مقاوم بودن محیط در برابر ریستارت/کرش

4. مدیریت تغییرات و نسخه‌ها (Change Management & Versioning)

7. نگهداری تاریخچه تغییرات کانفیگ‌ها و پچ‌ها در Production
8. اعمال تغییرات کانفیگ و پچ فقط از طریق Git Commit
9. هماهنگی شماره پچ و زمان به‌روزرسانی با تیم ستاره

5. تست و اعتبارسنجی (Testing & Validation)

18. تست‌های خودکار Logic در Production
19. تست فشار روی محیط عملیات
20. پایش پایداری Logic پس از به‌روزرسانی (به ازای هر محصول)
21. پایش پایداری Performance پس از به‌روزرسانی (به ازای هر میکروسرویس)

6. مشاهده‌پذیری و رهگیری (Observability & Tracing)

9. مشاهده‌پذیری میکروسرویس‌ها از طریق OpenTelemetry/لاگ Performance
10. Distributed Observability (Trace کامل از UI تا دیتابیس)
11. امکان تعامل با کاربر نهایی پس از شناسایی خطا (تلفن/پیام)

7. امنیت و دسترسی (Security & Access Control)

10. امکان گرفتن دامپ امن
11. شبیه‌سازی دسترسی کاربران (Impersonation)

8. تفکیک محیط و معماری (Environment & Architecture)

13. تفکیک محیط Stage و Production
14. تفکیک موتور زمان‌بند و طراح (عدم تأثیر تغییرات متقابل)

9. یکپارچه‌سازی داده و گزارش‌دهی (Data Integration & Reporting)

25. ارائه جریان داده و داشبوردها به واحد تحلیل داده + تست Logic
26. ارائه جریان داده و داشبوردها + تست Performance مداوم

---

نمودار ابزارهای پیشنهادی برای هر دسته

دسته	ابزارهای نمونه
مانیتورینگ	Prometheus, Grafana, Zabbix
بک‌آپ	pg_dump, Velero
HA/Resilience	Kubernetes HPA, Redis Sentinel
تست	Locust, k6, Selenium
Observability	Jaeger, OpenTelemetry, ELK
امنیت	Vault

[mhaghighat20]

چک‌لیست ارزیابی محیط استقرار

1. مانیتورینگ و اعلان‌ها

#	معیار ارزیابی	وضعیت اجرا	توضیحات
1	مانیتورینگ CPU، RAM و Disk روی همه سرورها	کامل / تا حدودی / نداریم
2	ارسال Notification برای پر شدن Disk	کامل / تا حدودی / نداریم
3	غیرفعال بودن Swap روی همه سیستم‌عامل‌ها	کامل / تا حدودی / نداریم
4	اتصال Health Check به Zabbix	کامل / تا حدودی / نداریم

2. پایداری و بازیابی

#	معیار ارزیابی	وضعیت اجرا	توضیحات
5	ریست منظم سیستم‌عامل (ماهانه)	کامل / تا حدودی / نداریم
6	فعال بودن HA برای سرویس AM	کامل / تا حدودی / نداریم
7	تفکیک محیط Stage و Production	کامل / تا حدودی / نداریم
8	تفکیک موتور زمان‌بند و طراح	کامل / تا حدودی / نداریم

3. مدیریت داده و پیکربندی

#	معیار ارزیابی	وضعیت اجرا	توضیحات
9	بک‌آپ منظم دیتابیس متادیتا	کامل / تا حدودی / نداریم	فرکانس:
10	بک‌آپ منظم دیتابیس اصلی	کامل / تا حدودی / نداریم	فرکانس:
11	تست restore بک‌آپ‌ها در سه ماه گذشته انجام شده	کامل / تا حدودی / نداریم	تاریخ آخرین تست:
12	بک‌آپ قبل از هر Migration پایگاه داده	کامل / تا حدودی / نداریم
13	نگهداری تاریخچه تغییرات کانفیگ‌ها	کامل / تا حدودی / نداریم
14	اعمال تغییرات فقط از طریق Git	کامل / تا حدودی / نداریم

4. مشاهده‌پذیری و رهگیری

#	معیار ارزیابی	وضعیت اجرا	توضیحات
15	مشاهده‌پذیری با OpenTelemetry	کامل / تا حدودی / نداریم
16	امکان گرفتن دامپ امن	کامل / تا حدودی / نداریم
17	Distributed Observability	کامل / تا حدودی / نداریم
18	امکان تعامل با کاربر پس از خطا	کامل / تا حدودی / نداریم

5. تست و اعتبارسنجی

#	معیار ارزیابی	وضعیت اجرا	توضیحات
19	هماهنگی دریافت نسخه جدید با تیم ستاره	کامل / تا حدودی / نداریم
20	پایش پایداری Logic	کامل / تا حدودی / نداریم
21	پایش پایداری Performance	کامل / تا حدودی / نداریم
22	تست‌های خودکار Logic	کامل / تا حدودی / نداریم

6. تست‌های پیشرفته و پایش

#	معیار ارزیابی	وضعیت اجرا	توضیحات
23	اجرای تست فشار بعد از بروزرسانی	کامل / تا حدودی / نداریم	تاریخ آخرین تست فشار:
24	پایش مداوم لاگ‌های Performance	کامل / تا حدودی / نداریم
25	بررسی 95p/99p محصولات	کامل / تا حدودی / نداریم

7. امنیت و دسترسی

#	معیار ارزیابی	وضعیت اجرا	توضیحات
26	امکان شبیه‌سازی دسترسی کاربران	کامل / تا حدودی / نداریم
27	تغییر رمز ادمین از حالت پیشفرض	کامل / تا حدودی / نداریم
28	عدم استفاده از رمز ادمین در فایل‌های کانفیگ	کامل / تا حدودی / نداریم

8. گزارش‌دهی و تحلیل

#	معیار ارزیابی	وضعیت اجرا	توضیحات
29	ارائه جریان داده و داشبوردها + تست Logic	کامل / تا حدودی / نداریم
30	ارائه جریان داده و داشبوردها + تست Performance	کامل / تا حدودی / نداریم

راهنمای امتیازدهی

درصد اجرا	وضعیت	اقدامات مورد نیاز
90-100%	عالی	حفظ وضعیت
70-89%	قابل قبول	بهبود جزئی
زیر 70%	نیاز به بهبود	بازبینی فوری

تاریخ ارزیابی: ______
ارزیابی‌کننده: ______
یادداشت‌های تکمیلی:

---

نحوه محاسبه امتیاز:

• هر مورد «کامل» = 1 امتیاز
• هر مورد «تا حدودی» = 0.5 امتیاز
• هر مورد «نداریم» = 0 امتیاز
• امتیاز کل = (مجموع امتیازات / 30) × 100