مراقبة تطبيقات Kotlin: المقاييس والتنبيهات والتقنيات المتقدمة

مقدمة: لماذا المراقبة هي أساس استقرار الإنتاج

\nفي التطوير الحديث، كتابة الكود ليست سوى نصف المهمة. لكي يعمل التطبيق المكتوب بلغة Kotlin بثبات تحت الحمل، من الضروري فهم حالته الداخلية. توفر السجلات الأساسية وفحوصات الصحة (health checks) صورة سطحية فقط. تتيح المراقبة المتقدمة مع المقاييس والتنبيهات ليس فقط تسجيل الأعطال، بل التنبؤ بها، وتحديد الاختناقات، والاستجابة السريعة للشذوذ. في هذه المقالة، سنشرح كيفية بناء نظام مراقبة جاهز للإنتاج لتطبيقات Kotlin باستخدام مجموعة التقنيات Micrometer + Prometheus + Alertmanager + Grafana.\n

1. جمع المقاييس باستخدام Micrometer و Prometheus

\nMicrometer هو واجهة (Facade) لجمع المقاييس، والتي أصبحت بحكم الواقع المعيار في عالم JVM و Kotlin. وهو يدعم العديد من الأنظمة الخلفية: Prometheus، Datadog، New Relic وغيرها. بالنسبة لتطبيقات Kotlin (Spring Boot، Ktor، http4k)، فإن التكامل بسيط.\n

1.1. الإعداد والتوصيل

أضف التبعيات اللازمة في ملف build.gradle.kts:

// لـ Spring Boot\nimplementation("io.micrometer:micrometer-registry-prometheus")\n\n// لـ Ktor (إعداد يدوي)\nimplementation("io.micrometer:micrometer-core:1.12.0")\nimplementation("io.micrometer:micrometer-registry-prometheus:1.12.0")

بالنسبة لـ Spring Boot، يتم إنشاء MeterRegistry تلقائياً. في Ktor، تحتاج إلى تهيئته يدوياً:

import io.micrometer.prometheus.PrometheusMeterRegistry\nimport io.micrometer.core.instrument.Clock\nimport io.prometheus.client.CollectorRegistry\n\nval registry = PrometheusMeterRegistry(\n    PrometheusConfig.DEFAULT,\n    CollectorRegistry.defaultRegistry,\n    Clock.SYSTEM\n)\n\n// تصدير نقطة النهاية /metrics\nembeddedServer(Netty, port = 8080) {\n    routing {\n        get("/metrics") {\n            call.respondText(registry.scrape())\n        }\n    }\n}.start(wait = true)

1.2. المقاييس المخصصة

بالإضافة إلى المقاييس القياسية (JVM، CPU، الذاكرة)، أضف مقاييس الأعمال. مثال على عداد الطلبات المعالجة:

val orderCounter = Counter.builder("orders.processed")\n    .description("Total processed orders")\n    .register(registry)\n\nfun processOrder(order: Order) {\n    // منطق الأعمال\n    orderCounter.increment()\n}

أو مدرج تكراري (Histogram) لوقت تنفيذ الطلب:

val requestTimer = Timer.builder("http.requests.duration")\n    .description("Duration of HTTP requests")\n    .publishPercentiles(0.5, 0.95, 0.99)\n    .sla(Duration.ofMillis(100), Duration.ofMillis(500))\n    .register(registry)\n\nfun handleRequest(block: () -> Response): Response {\n    return requestTimer.record(block)\n}

2. التنبيهات المتقدمة: من القيم الحدية إلى التنبؤات

\nغالباً ما تؤدي التنبيهات المبنية على حدود بسيطة (مثل CPU > 90%) إلى إنذارات كاذبة. على المستوى المتقدم، نستخدم Alertmanager وقواعد PromQL مع التجميع والتنبؤ.\n

2.1. إعداد Alertmanager

إعداد ملف alertmanager.yml لإرسال الإشعارات إلى Telegram و Slack:

route:\n  receiver: 'team-alerts'\n  group_wait: 30s\n  group_interval: 5m\n  repeat_interval: 1h\n\nreceivers:\n- name: 'team-alerts'\n  telegram_configs:\n  - bot_token: 'YOUR_BOT_TOKEN'\n    chat_id: -123456789\n    parse_mode: 'HTML'\n  slack_configs:\n  - api_url: 'https://hooks.slack.com/services/...'\n    channel: '#alerts'

2.2. قواعد PromQL للتنبيهات الذكية

في ملف rules.yml، نصف قاعدة يتم تفعيلها إذا تجاوز المئين 95 لوقت الاستجابة 500 مللي ثانية لمدة 5 دقائق:

groups:\n- name: http_latency\n  rules:\n  - alert: HighLatencyP95\n    expr: |\n      histogram_quantile(0.95,\n        sum(rate(http_requests_duration_seconds_bucket[5m])) by (le, endpoint)\n      ) > 0.5\n    for: 5m\n    ann