clickstream-data-platform/docs/architecture/monitoring/data.md

Дашборд «Данные»

infra/grafana/provisioning/dashboards/data.json — шесть панелей на один экран. Вопрос у экрана один: с потоком всё в порядке? Состав панелей и довод за каждую — ADR 0002.

Порогов и цветовых вердиктов на панелях нет: на дашборд смотрят глазами, красное и зелёное живёт в проверках и дагах DQ.

Панель	Откуда берёт	О чём отвечает
Свежесть	ods.event_dist, ods.order_dist	сколько прошло с последней доехавшей строки
Поток	stg.hits_raw_dist, stg.orders_raw_dist	сколько строк приезжает в слой сырья
Брак	те же и ods.*_errors_dist	сколько приехавшего не разобралось и какая это доля
Сходимость	экспортёр Kafka и stg.hits_raw_dist	произведённое против приземлившегося
Отставание	kafka_consumergroup_lag	сколько сообщений не прочитано
Дневной слепок	stg.orders_raw_dist	какой слепок доехал, когда и после какой паузы

Почему слои у панелей разные

Свежесть спрашивают у ODS. Это слой, который читают, и у заказов дорога до него длиннее: сырьё привозит забор, а типизированную строку кладёт разбор. Встань разбор — свежесть ODS это покажет, свежесть сырья нет.

Читает свежесть физическую _dist, а не каноническое ods.*_v. Представление прячет за собой FINAL и отвечает про текущее состояние сущностей, а вопрос здесь про доставку: местом диагностики доставленных версий физическая таблица названа там же, где заведено представление (sql/ddl/30-ods-views.sql).

Поток и брак считаются по слою сырья. Сырьё записывает каждую доставку и ничего не схлопывает, а ReplacingMergeTree в ODS схлопнет и повтор доставки события, и все версии одного заказа. Считай мы поток по ODS — он занизился бы, и тем сильнее, чем дольше живёт стенд.

Доля брака берётся от приехавшего, а не от суммы «годные плюс брак»: брак не отдельная куча, а часть сырья, которая не прошла разбор.

Окно у панели брака — окно дашборда, и это не косметика. Сырьё живёт трое суток, а брак — месяц: доля за всё время делила бы месяц брака на трое суток приехавшего и однажды перевалила бы за сотню процентов.

Панель дневного слепка, наоборот, окна не знает. Её вопрос про состояние, а не про отрезок, и последние десять слепков она показывает всегда.

Отдельного ряда «против вчерашнего» на панели потока нет, и это решение, а не пропуск. Реальное «вчера» на стенде чаще всего приходится на время, когда стенда ещё не было. А сдвинуть ряд на модельные сутки значит записать в JSON дашборда ускорение мира — ровно ту пометку про тик, которую ADR 0002 в дашборде держать не велит: поменяют ускорение, и панель молча соврёт. Сравнение остаётся глазу: модельные сутки укладываются в минуты реального времени, и соседние дни мира помещаются в одно окно панели сами.

Чтецов Kafka панели не читают

stg.hits_raw_kafka и stg.orders_raw_kafka — таблицы движка Kafka, а не хранилище: запрос из панели у второго забрал бы слепок себе и сдвинул офсеты (kafka_commit_on_select, см. sql/ddl/10-stg-tables.sql), а даг приёма приехал бы к пустому топику. Приземлившееся панели считают по stg.*_raw_dist, произведённое — по метрикам экспортёра.

Как считается сходимость

Произведённое живёт в Kafka, приземлившееся — в ClickHouse, и со своей стороны ни одна из них не видит другую. Поэтому панель смешанная: ряд «произведено в Kafka» приходит из Prometheus, ряд «приземлилось в ClickHouse» — из ClickHouse. Единицы общие — сообщений за интервал панели. Со стороны Kafka это разность офсетов топика, «сейчас минус интервал назад», с суммой по обеим партициям; со стороны ClickHouse — count() строк сырья по тому же интервалу.

Два соседних способа отвергнуты, и оба по замеру на живом стенде. increase растягивает приращение на всё окно и на минутном интервале промахивается на проценты: здоровый стенд выглядел бы расходящимся. Накопленный итог от начала окна точнее обоих приростов, но отсчитывать его надо от края окна — а на свежем стенде окно начинается раньше, чем появился экспортёр, и ряд пропадает целиком.

Столбцы ClickHouse подписаны правым краем, а не левым. Точка Prometheus — это прирост к моменту времени, а count() по интервалу — сумма, которая набирается к его концу; подпиши мы её началом, здоровые ряды разъехались бы ровно на один столбец. Шаг панели при этом не мельче минуты: экспортёр опрашивают раз в пятнадцать секунд, и на более мелком шаге ряд Kafka пошёл бы ступеньками там, где ряд ClickHouse идёт гладко.

Точка в точку ряды всё равно не совпадут, и ждать этого не надо: опрос экспортёра не попадает на границы столбцов, поэтому на разгоне потока линия Kafka идёт чуть выше. Читается устойчивый разрыв между линиями, а не разница в один столбец.

Панель смотрит на топик событий. У него приём непрерывный, и разрыв виден сразу. Слепок заказов уезжает пачкой раз в модельные сутки, и вопрос к нему другой — не «сходится ли поток», а «доехала ли выгрузка и вовремя ли». На него отвечает своя панель, и модельный день она берёт из самого сообщения: в сырьё он приезжает полем snapshot_date.