A réplica do banco de produção passou 13 minutos recebendo dados sem aplicá-los.
Se houvesse um failover nesses 13 minutos, perderíamos cerca de 12 minutos de transações.
Nenhum alerta tocou.
O alerta de replicação existia. Ele media o atraso em bytes e disparava a partir de 128 MB. Esse valor foi calibrado para o incidente de 8h40, quando a divergência chegou a terabytes.
Com pouca escrita, 13 minutos de atraso couberam em 54 MB, que é 42% do limite. O painel mostrava tudo verde.
O erro era de unidade, não de valor. RPO se mede em tempo, e o alerta media volume.
A correção foi a mais simples possível: uma métrica que já era coletada, de atraso em segundos, com aviso em 15 s e crítico em 60 s.
- Testei contra 7 dias de histórico: 6 disparos, todos em eventos reais, e nenhum falso positivo.
- No dia seguinte, o pior evento da série (73 MB, ainda abaixo do limite antigo) foi marcado como crítico 4h30 depois de o alerta nascer.
- Medi a latência real de detecção em três disparos: 3 min 21 s, e não o 1 minuto da configuração. Corrigi o que eu tinha prometido.
Não foi preciso ferramenta nova, módulo pago nem IA. Foi preciso escolher a unidade certa.
O seu alerta de replicação mede o que o negócio perde, ou mede o que é fácil de medir?
Top comments (0)