Как понять, что система работает стабильно?

Стабильность оценивают по соблюдению SLO во времени: успешности операций, задержке, доступности и корректности данных. Отсутствие жалоб или ровный CPU недостаточны.

Нужны метрики пользовательских сценариев, ошибки и хвостовые задержки, состояние очередей, зависимостей и запас ресурсов. Сравнивайте обычную работу, пики, релизы и восстановление после отказов.

Алерты должны указывать на значимое нарушение, а не каждое колебание. Дополните мониторинг проверками восстановления и анализом инцидентов: система может выглядеть здоровой до первой потери узла или переполнения очереди.