مراقبة الإنتاج والاستجابة للحوادث

الملاحظة للكود المُنشأ بالذكاء الاصطناعي

الكود المُنشأ بالذكاء الاصطناعي يتطلب ملاحظة محسنة لـ:

• اكتشاف السلوكيات غير المتوقعة بسرعة
• فهم التفاعلات المعقدة
• تتبع المشاكل عبر النظام
• التعلم من أنماط الإنتاج

الركائز الثلاث للملاحظة

1. التسجيل المنظم

// lib/logger.ts
import pino from 'pino';

const logger = pino({
  level: process.env.LOG_LEVEL || 'info',
  formatters: {
    level: (label) => ({ level: label })
  },
  timestamp: pino.stdTimeFunctions.isoTime,
  base: {
    service: process.env.SERVICE_NAME,
    version: process.env.APP_VERSION,
    environment: process.env.NODE_ENV
  }
});

// التسجيل السياقي للتتبع
export function createRequestLogger(requestId: string, userId?: string) {
  return logger.child({
    requestId,
    userId,
    traceId: getTraceId()
  });
}

// الاستخدام في المعالجات
async function handleOrder(req: Request) {
  const log = createRequestLogger(req.id, req.user?.id);

  log.info({ orderId: order.id }, 'معالجة الطلب');

  try {
    const result = await processOrder(order);
    log.info({ orderId: order.id, result: 'success' }, 'اكتمل الطلب');
    return result;
  } catch (error) {
    log.error({
      orderId: order.id,
      error: error.message,
      stack: error.stack
    }, 'فشلت معالجة الطلب');
    throw error;
  }
}

2. جمع المقاييس

// lib/metrics.ts
import { Counter, Histogram, Registry } from 'prom-client';

const registry = new Registry();

// مقاييس الطلبات
const httpRequestDuration = new Histogram({
  name: 'http_request_duration_seconds',
  help: 'مدة طلبات HTTP',
  labelNames: ['method', 'route', 'status_code'],
  buckets: [0.01, 0.05, 0.1, 0.5, 1, 2, 5]
});

const httpRequestTotal = new Counter({
  name: 'http_requests_total',
  help: 'إجمالي طلبات HTTP',
  labelNames: ['method', 'route', 'status_code']
});

// مقاييس الأعمال
const ordersProcessed = new Counter({
  name: 'orders_processed_total',
  help: 'إجمالي الطلبات المعالجة',
  labelNames: ['status', 'payment_method']
});

const paymentAmount = new Histogram({
  name: 'payment_amount_dollars',
  help: 'مبالغ الدفع بالدولار',
  labelNames: ['currency'],
  buckets: [10, 50, 100, 500, 1000, 5000]
});

registry.registerMetric(httpRequestDuration);
registry.registerMetric(httpRequestTotal);
registry.registerMetric(ordersProcessed);
registry.registerMetric(paymentAmount);

3. التتبع الموزع

// lib/tracing.ts
import { trace, SpanStatusCode } from '@opentelemetry/api';

const tracer = trace.getTracer('my-service');

export async function withTracing<T>(
  name: string,
  attributes: Record<string, string>,
  fn: () => Promise<T>
): Promise<T> {
  const span = tracer.startSpan(name, { attributes });

  try {
    const result = await fn();
    span.setStatus({ code: SpanStatusCode.OK });
    return result;
  } catch (error) {
    span.setStatus({
      code: SpanStatusCode.ERROR,
      message: error.message
    });
    span.recordException(error);
    throw error;
  } finally {
    span.end();
  }
}

// الاستخدام
async function processPayment(orderId: string, amount: number) {
  return withTracing(
    'process-payment',
    { orderId, amount: String(amount) },
    async () => {
      // منطق الدفع هنا
    }
  );
}

المراقبة الخاصة بالذكاء الاصطناعي

اكتشاف الأنماط الشاذة

// monitoring/anomaly-detection.ts
interface MetricWindow {
  mean: number;
  stdDev: number;
  samples: number[];
}

class AnomalyDetector {
  private windows: Map<string, MetricWindow> = new Map();
  private threshold = 3; // الانحرافات المعيارية

  record(metric: string, value: number): void {
    const window = this.windows.get(metric) || {
      mean: value,
      stdDev: 0,
      samples: []
    };

    window.samples.push(value);
    if (window.samples.length > 100) {
      window.samples.shift();
    }

    // تحديث الإحصائيات
    window.mean = this.mean(window.samples);
    window.stdDev = this.stdDev(window.samples, window.mean);

    this.windows.set(metric, window);

    // التحقق من الشذوذ
    const zScore = Math.abs((value - window.mean) / window.stdDev);
    if (zScore > this.threshold && window.samples.length > 50) {
      this.alertAnomaly(metric, value, zScore);
    }
  }

  private alertAnomaly(metric: string, value: number, zScore: number): void {
    logger.warn({
      metric,
      value,
      zScore,
      mean: this.windows.get(metric)?.mean
    }, 'تم اكتشاف شذوذ');

    // إطلاق التنبيه
    alertManager.trigger({
      severity: 'warning',
      title: `شذوذ في ${metric}`,
      description: `القيمة ${value} بعيدة ${zScore.toFixed(1)} انحراف معياري عن المتوسط`
    });
  }
}

إجراءات الاستجابة للحوادث

قالب Runbook

# Runbook الاستجابة للحوادث: معدل أخطاء عالي

## الاكتشاف
- التنبيه: معدل الخطأ > 1% لمدة 5 دقائق
- لوحة التحكم: https://grafana.example.com/errors
- الخدمات المتأثرة: API، الدفع

## تصنيف الخطورة
- P1 (حرج): >5% معدل خطأ، تأثير على المستخدم
- P2 (عالي): 1-5% معدل خطأ، تجربة متدهورة
- P3 (متوسط): <1% معدل خطأ، تأثير محدود

## الإجراءات الفورية

### الخطوة 1: تقييم التأثير
```bash
# تحقق من معدل الخطأ الحالي
curl -s localhost:9090/api/v1/query \
  -d 'query=rate(http_requests_total{status=~"5.."}[5m])' | jq

# تحقق من النقاط النهائية المتأثرة
curl -s localhost:9090/api/v1/query \
  -d 'query=topk(5, rate(http_requests_total{status=~"5.."}[5m]))'

الخطوة 2: تحقق من النشرات الأخيرة

# اذكر النشرات الأخيرة
kubectl rollout history deployment/api

# تحقق من توقيت النشر مقابل ارتفاع الأخطاء
# إذا كان مرتبطًا، فكر في التراجع

الخطوة 3: تراجع إذا لزم الأمر

# التراجع للإصدار السابق
kubectl rollout undo deployment/api

# تحقق من التراجع
kubectl rollout status deployment/api

الخطوة 4: تحقق من السبب الجذري

# احصل على سجلات الأخطاء
kubectl logs -l app=api --since=30m | grep ERROR

# تحقق من الأنماط
kubectl logs -l app=api --since=30m | grep ERROR | sort | uniq -c | sort -rn

بعد الحادث

1. وثق الجدول الزمني في تقرير الحادث
2. حدد السبب الجذري
3. أنشئ تذاكر للإصلاحات
4. جدول post-mortem

### إنشاء الحادث الآلي

```typescript
// incidents/auto-create.ts
interface IncidentData {
  title: string;
  severity: 'P1' | 'P2' | 'P3';
  service: string;
  description: string;
  runbookUrl: string;
}

async function createIncident(data: IncidentData): Promise<string> {
  // إنشاء حادث PagerDuty
  const incident = await pagerduty.createIncident({
    title: data.title,
    service_key: process.env.PD_SERVICE_KEY,
    severity: data.severity,
    details: {
      service: data.service,
      description: data.description,
      runbook: data.runbookUrl,
      dashboard: `https://grafana.example.com/d/${data.service}`
    }
  });

  // إنشاء قناة Slack
  const channel = await slack.createChannel(`inc-${incident.id}`);

  // نشر السياق الأولي
  await slack.postMessage(channel.id, {
    blocks: [
      {
        type: 'header',
        text: { type: 'plain_text', text: `🚨 ${data.title}` }
      },
      {
        type: 'section',
        text: {
          type: 'mrkdwn',
          text: `*الخطورة:* ${data.severity}\n*الخدمة:* ${data.service}\n*Runbook:* ${data.runbookUrl}`
        }
      }
    ]
  });

  return incident.id;
}

التعلم بعد الحادث

Post-Mortem بمساعدة الذكاء الاصطناعي

claude "حلل هذا الحادث وأنشئ post-mortem:

الجدول الزمني:
- 14:23 انطلق التنبيه لمعدل أخطاء عالي
- 14:25 المهندس المناوب أقر
- 14:32 تم تحديد السبب الجذري (null pointer في معالج الدفع)
- 14:35 بدأ التراجع
- 14:38 تعافت الخدمة

أنشئ post-mortem بدون لوم مع:
1. ملخص تنفيذي
2. تقييم التأثير
3. الجدول الزمني
4. تحليل السبب الجذري
5. العوامل المساهمة
6. عناصر العمل لمنع التكرار"

التعلم من الإنتاج

// monitoring/production-learner.ts

// تتبع الأنماط في أخطاء الإنتاج
interface ErrorPattern {
  signature: string;
  count: number;
  firstSeen: Date;
  lastSeen: Date;
  contexts: object[];
}

async function analyzeProductionPatterns(): Promise<void> {
  const errors = await getRecentErrors(24 * 60);  // آخر 24 ساعة
  const patterns = groupBySignature(errors);

  // توليد الرؤى
  const prompt = `
    حلل أنماط الأخطاء هذه من الإنتاج:
    ${JSON.stringify(patterns)}

    حدد:
    1. الأسباب الجذرية الشائعة
    2. الأنماط التي تشير إلى مشاكل الكود
    3. الأنماط التي تشير إلى مشاكل البنية التحتية
    4. توصيات لتحسينات الكود
  `;

  const insights = await claude.analyze(prompt);

  // إنشاء تذاكر للرؤى القابلة للتنفيذ
  for (const insight of insights.actionItems) {
    await createJiraTicket({
      title: insight.title,
      description: insight.description,
      priority: insight.severity
    });
  }
}

ملخص الوحدة

لقد تعلمت:

• تكوين خطوط أنابيب CI/CD للكود المُنشأ بالذكاء الاصطناعي
• تنفيذ استراتيجيات النشر الآمن
• مراقبة الحوادث الإنتاجية والاستجابة لها

بعد ذلك، سنستكشف دراسات حالة من العالم الحقيقي للـ vibe coding المتقدم قيد التطبيق. :::