Where do you look when Kubernetes is healthy but requests stall?

要点

• probeが成功してもユーザーリクエストの応答時間は保証されない。断続的な遅延は、過去の履歴がないと原因特定がほぼ困難になる。
• ノード・Pod・Ingress・サービスのログ、イベント、メトリクスを継続収集し、報告された症状の時間帯と突き合わせる。
• 異常は単一メトリクスのスパイクでなく、個々には正常な2つの信号の組み合わせに現れることもある。相関は原因の証明ではなく候補にとどまる。
• クラスタ外の外部API・公開AIモデルはブラックボックスとして扱い、合成トランザクションで応答時間を測って切り分ける。内部原因までは分からない。
• AIコパイロットによる調査支援は有望だが、出力が非決定的なため、運用変更を任せる前に人間の監督と安全策が必要。なお本記事はHPE OpsRamp製品の紹介を含む。