مراقبة تطبيقات Kotlin: المقاييس والتنبيهات من الألف إلى الياء

مقدمة: لماذا تعتبر المراقبة أمرًا حيويًا لتطبيقات Kotlin

تطبيقات Kotlin الحديثة التي تعمل على JVM (Java Virtual Machine) غالبًا ما تصبح عقدًا حرجة في البنية التحتية. بدون مراقبة مناسبة، فإنك تخاطر بمواجهة أعطال مفاجئة، أو تسرب للذاكرة، أو تدهور في الأداء قد يظل غير مكتشف حتى وقوع الحادث. في هذه المقالة، سنشرح كيفية بناء نظام مراقبة متكامل لتطبيقات Kotlin «من الألف إلى الياء»: من جمع المقاييس الأساسية (CPU، الذاكرة، GC) إلى إعداد التنبيهات في Grafana و Prometheus.

سنناقش ثلاث أدوات رئيسية: Micrometer (واجهة للمقاييس)، Prometheus (مخزن ومجمع)، و Grafana (تصور البيانات والتنبيهات). جميع أمثلة الكود مكتوبة بلغة Kotlin.

1. أساسيات جمع المقاييس: Micrometer و Prometheus

Micrometer هو المعيار الفعلي لواجهة المراقبة في نظام Spring و Kotlin. فهو يوفر واجهة برمجة تطبيقات (API) موحدة لإرسال المقاييس إلى أنظمة مختلفة (Prometheus، Datadog، New Relic، وغيرها).

1.1. إضافة التبعيات (Gradle)

dependencies {\n    implementation("io.micrometer:micrometer-registry-prometheus:1.12.0")\n    implementation("org.springframework.boot:spring-boot-starter-actuator")\n}

بالنسبة لـ Ktor أو Kotlin النقي بدون Spring، يمكن إضافة micrometer-core و micrometer-registry-prometheus فقط.

1.2. التكوين الأساسي لـ Micrometer في Spring Boot

في ملف application.yml، يكفي تفعيل Actuator ونقطة نهاية Prometheus:

management:\n  endpoints:\n    web:\n      exposure:\n        include: health,info,prometheus\n  metrics:\n    export:\n      prometheus:\n        enabled: true

بعد تشغيل التطبيق، ستكون المقاييس متاحة على العنوان /actuator/prometheus.

1.3. إنشاء مقاييس مخصصة (مثال بلغة Kotlin)

لنفترض أنك تريد حساب عدد الطلبات التي تمت معالجتها ووقت معالجتها:

import io.micrometer.core.instrument.MeterRegistry\nimport io.micrometer.core.instrument.Timer\nimport org.springframework.stereotype.Service\nimport java.util.concurrent.atomic.AtomicLong\n\n@Service\nclass OrderService(private val registry: MeterRegistry) {\n\n    private val processedOrders: AtomicLong = registry.gauge(\n        "orders.processed.count",\n        AtomicLong(0)\n    )\n    private val orderProcessingTime: Timer = registry.timer("orders.processing.time")\n\n    fun processOrder(orderId: String) {\n        val sample = Timer.start()\n        try {\n            // منطق معالجة الطلب\n            Thread.sleep((50..200).random().toLong())\n            processedOrders.incrementAndGet()\n        } finally {\n            sample.stop(orderProcessingTime)\n        }\n    }\n}

الآن ستظهر المقاييس orders_processed_count و orders_processing_time_seconds في Prometheus.

2. إعداد Prometheus لجمع المقاييس

Prometheus هو خادم يقوم بـ «سحب» (استعلام) المقاييس من تطبيقاتك وفقًا لجدول زمني.

2.1. تكوين ملف prometheus.yml

أضف خدمة Kotlin الخاصة بك كهدف (target):

scrape_configs:\n  - job_name: 'kotlin-app'\n    metrics_path: '/actuator/prometheus'\n    static_configs:\n      - targets: ['localhost:8080']

إذا كان التطبيق يعمل في Docker/Kubernetes، استخدم اكتشاف الخدمة (service discovery).

2.2. مقاييس JVM الهامة الافتراضية

يقوم Micrometer تلقائيًا بتصدير العديد من مقاييس JVM:

\n
• jvm_memory_used_bytes — الذاكرة المستخدمة (heap/non-heap)
\n
• jvm_gc_pause_seconds — وقت توقف GC
\n
• jvm_threads_live_threads — عدد الخيوط النشطة
\n
• process_cpu_usage — استخدام وحدة المعالجة المركزية (CPU) من قبل العملية
\n

هذه البيانات متاحة بالفعل في Prome