makemd/docs/ARCHIVE/02_Backend/06_Observability.md

# 可观测性文档 (Crawlful Hub)

> **定位**：Crawlful Hub 可观测性设计文档 - 确保系统的可观测性，便于问题排查和系统优化。
> **更新日期**: 2026-03-18
> **最高优先级参考**: [Service_Design.md](./Service_Design.md)

---

## 1. 可观测性概述

### 1.1 定义

可观测性是指通过系统的外部输出（如日志、指标、追踪）来了解系统内部状态的能力。

### 1.2 重要性

良好的可观测性可以：
- 快速定位和解决问题
- 预测和预防系统故障
- 优化系统性能
- 提高系统可靠性
- 降低运维成本

### 1.3 核心组成

- **业务日志**：记录业务操作的详细信息
- **链路追踪**：追踪请求在系统中的完整路径
- **指标监控**：监控系统的各种指标

---

## 2. 业务日志

### 2.1 定义

业务日志是指记录业务操作的详细信息，包括操作人、操作时间、操作类型、操作对象、操作结果等。

### 2.2 实现方法

#### 2.2.1 日志级别

- **DEBUG**：详细的调试信息
- **INFO**：一般的信息
- **WARN**：警告信息
- **ERROR**：错误信息
- **FATAL**：致命错误信息

#### 2.2.2 日志格式

```json
{
  "timestamp": "2026-03-18T10:00:00Z",
  "level": "INFO",
  "service": "ProductService",
  "method": "updatePrice",
  "traceId": "1234567890",
  "tenantId": "tenant-001",
  "shopId": "shop-001",
  "businessType": "TOC",
  "message": "Updating price for product 123 to 99.99",
  "data": {
    "productId": "123",
    "oldPrice": 89.99,
    "newPrice": 99.99,
    "roi": 1.5
  }
}
```

#### 2.2.3 日志框架

**推荐**：
- Node.js：winston, bunyan
- Java：log4j, logback
- Python：logging, structlog

**示例**：
```typescript
// Node.js/winston 示例
import winston from 'winston';

const logger = winston.createLogger({
  level: process.env.LOG_LEVEL || 'info',
  format: winston.format.json(),
  transports: [
    new winston.transports.Console(),
    new winston.transports.File({ filename: 'error.log', level: 'error' }),
    new winston.transports.File({ filename: 'combined.log' })
  ]
});

// 使用
logger.info('Updating price for product', {
  productId: '123',
  oldPrice: 89.99,
  newPrice: 99.99,
  traceId: '1234567890',
  tenantId: 'tenant-001',
  shopId: 'shop-001',
  businessType: 'TOC'
});
```

### 2.3 最佳实践

- **结构化日志**：使用 JSON 格式，便于分析和查询
- **统一日志格式**：所有服务使用相同的日志格式
- **包含必要字段**：时间戳、级别、服务名、方法名、追踪ID、租户ID、店铺ID、业务类型等
- **适当的日志级别**：根据信息的重要性选择合适的级别
- **日志轮转**：定期轮转日志文件，防止日志文件过大
- **日志存储**：使用 ELK Stack、Splunk 等工具存储和分析日志

---

## 3. 链路追踪

### 3.1 定义

链路追踪是指追踪请求在系统中的完整路径，包括请求经过的所有服务和操作。

### 3.2 实现方法

#### 3.2.1 追踪ID

**定义**：一个唯一的标识符，用于关联同一个请求的所有操作

**实现**：
- 生成唯一的 `traceId`
- 在请求开始时创建 `traceId`
- 在所有相关操作中传递 `traceId`

**示例**：
```typescript
// 中间件生成 traceId
const traceMiddleware = (req, res, next) => {
  const traceId = req.headers['x-trace-id'] || uuidv4();
  req.traceId = traceId;
  res.setHeader('x-trace-id', traceId);
  next();
};

// 使用
app.use(traceMiddleware);

// 在服务中使用
async updatePrice(productId: string, price: number, traceId: string): Promise<Product> {
  logger.info('Updating price', { traceId, productId, price });
  // 业务逻辑
  return product;
}
```

#### 3.2.2 分布式追踪系统

**推荐**：
- Jaeger
- Zipkin
- OpenTelemetry

**示例**：
```typescript
// 使用 OpenTelemetry
import { trace } from '@opentelemetry/api';
import { NodeTracerProvider } from '@opentelemetry/sdk-trace-node';
import { JaegerExporter } from '@opentelemetry/exporter-jaeger';

// 初始化追踪器
const provider = new NodeTracerProvider();
const exporter = new JaegerExporter({
  serviceName: 'product-service'
});

provider.addSpanProcessor(new SimpleSpanProcessor(exporter));
provider.register();

// 创建 span
const tracer = trace.getTracer('product-service');

async updatePrice(productId: string, price: number): Promise<Product> {
  const span = tracer.startSpan('updatePrice');
  
  try {
    // 业务逻辑
    const product = await this.productRepository.findById(productId);
    
    // 创建子 span
    const calculateRoiSpan = tracer.startSpan('calculateROI', { 
      parent: span 
    });
    const roi = await this.pricingService.calculateROI(product, price);
    calculateRoiSpan.end();
    
    product.price = price;
    product.roi = roi;
    const updatedProduct = await this.productRepository.save(product);
    
    return updatedProduct;
  } finally {
    span.end();
  }
}
```

### 3.3 最佳实践

- **统一的追踪ID**：所有服务使用相同的追踪ID格式
- **完整的链路**：追踪请求的完整路径，包括所有服务和操作
- **适当的 span**：为重要操作创建 span
- **添加上下文信息**：在 span 中添加业务相关的上下文信息
- **集成监控系统**：将追踪数据与监控系统集成

---

## 4. 指标监控

### 4.1 定义

指标监控是指监控系统的各种指标，如响应时间、调用次数、错误率等。

### 4.2 实现方法

#### 4.2.1 核心指标

- **响应时间**：请求的处理时间
- **调用次数**：服务的调用次数
- **错误率**：错误请求的比例
- **资源使用**：CPU、内存、磁盘、网络等资源的使用情况
- **业务指标**：订单量、销售额、利润率等

#### 4.2.2 监控系统

**推荐**：
- Prometheus
- Grafana
- Datadog
- New Relic

**示例**：
```typescript
// 使用 Prometheus
import prometheus from 'prom-client';

// 定义指标
const requestCounter = new prometheus.Counter({
  name: 'http_requests_total',
  help: 'Total number of HTTP requests',
  labelNames: ['method', 'endpoint', 'status']
});

const requestDuration = new prometheus.Histogram({
  name: 'http_request_duration_seconds',
  help: 'HTTP request duration in seconds',
  labelNames: ['method', 'endpoint'],
  buckets: [0.1, 0.5, 1, 2, 5]
});

// 中间件
const metricsMiddleware = (req, res, next) => {
  const start = process.hrtime();
  
  res.on('finish', () => {
    const duration = process.hrtime(start);
    const seconds = duration[0] + duration[1] / 1e9;
    
    requestCounter.inc({
      method: req.method,
      endpoint: req.path,
      status: res.statusCode
    });
    
    requestDuration.observe({
      method: req.method,
      endpoint: req.path
    }, seconds);
  });
  
  next();
};

// 使用
app.use(metricsMiddleware);
app.get('/metrics', (req, res) => {
  res.set('Content-Type', prometheus.register.contentType);
  res.end(prometheus.register.metrics());
});
```

### 4.3 最佳实践

- **定义关键指标**：根据业务需求定义关键指标
- **设置合理的告警**：为重要指标设置告警
- **可视化**：使用 Grafana 等工具可视化指标
- **定期分析**：定期分析指标数据，发现问题和优化机会
- **集成业务指标**：将业务指标与技术指标结合

---

## 5. 可观测性集成

### 5.1 日志、追踪和指标的关联

- **使用相同的 traceId**：将日志、追踪和指标关联起来
- **统一的上下文**：在所有可观测性数据中包含相同的上下文信息
- **集成平台**：使用 ELK Stack、Grafana 等平台集成所有可观测性数据

### 5.2 监控仪表盘

**推荐仪表盘**：
- **系统健康仪表盘**：显示系统的整体健康状态
- **服务性能仪表盘**：显示各个服务的性能指标
- **业务指标仪表盘**：显示业务相关的指标
- **告警仪表盘**：显示当前的告警状态

### 5.3 告警策略

- **设置合理的阈值**：根据业务需求设置合理的告警阈值
- **分级告警**：根据问题的严重程度设置不同级别的告警
- **告警通知**：通过邮件、短信、Slack 等渠道发送告警通知
- **告警抑制**：避免告警风暴

---

## 6. 最佳实践

### 6.1 设计原则

- **可观测性优先**：在系统设计阶段就考虑可观测性
- **统一标准**：所有服务使用相同的可观测性标准
- **适度采集**：采集足够的数据，但不过度采集
- **数据保留**：设置合理的数据保留策略

### 6.2 实现建议

- **使用开源工具**：如 ELK Stack、Prometheus、Grafana、Jaeger 等
- **自动化部署**：自动化可观测性工具的部署和配置
- **定期演练**：定期演练故障排查和恢复流程
- **持续优化**：根据实际情况持续优化可观测性方案

---

## 7. 相关文档

- [Service_Design.md](./Service_Design.md)
- [Data_Consistency.md](./Data_Consistency.md)
- [Architecture_Overview.md](./Architecture_Overview.md)

---

*本文档基于服务设计文档，最后更新: 2026-03-18*

---

## 8. 商品中心监控指标（Product Center Metrics）

> **设计原则**: 覆盖商品管理、价格策略、SKU映射、库存同步等核心业务指标

### 8.1 商品管理指标

| 指标名称 | 计算公式 | 数据来源 | 监控频率 | 预警阈值 |
|----------|----------|----------|----------|----------|
| **SPU总数** | COUNT(cf_spu) | cf_spu表 | 每日 | - |
| **SKU总数** | COUNT(cf_sku) | cf_sku表 | 每日 | - |
| **Listing总数** | COUNT(cf_platform_listing) | cf_platform_listing表 | 每日 | - |
| **SKU变体密度** | SKU数 / SPU数 | cf_sku, cf_spu | 每周 | >10 预警 |
| **映射覆盖率** | 已映射SKU数 / SKU总数 × 100% | cf_sku_mapping | 每日 | <80% 预警 |
| **Listing活跃率** | ACTIVE状态Listing数 / Listing总数 × 100% | cf_platform_listing | 每日 | <70% 预警 |

### 8.2 价格管理指标

| 指标名称 | 计算公式 | 数据来源 | 监控频率 | 预警阈值 |
|----------|----------|----------|----------|----------|
| **价格策略覆盖率** | 已应用策略的Listing数 / Listing总数 × 100% | cf_price_strategy, cf_platform_listing | 每日 | <60% 预警 |
| **价格异常率** | 价格偏离基准价±50%的Listing数 / Listing总数 | cf_platform_listing, cf_sku | 每日 | >5% 预警 |
| **利润率分布** | 按利润率区间统计Listing数量 | cf_platform_listing | 每日 | B2C<20%或B2B<15%预警 |
| **价格同步成功率** | 同步成功次数 / 总同步次数 × 100% | 同步日志 | 每小时 | <95% 预警 |
| **AI调价采纳率** | 采纳AI建议的调价次数 / AI建议总次数 × 100% | AI决策日志 | 每周 | - |

### 8.3 库存同步指标

| 指标名称 | 计算公式 | 数据来源 | 监控频率 | 预警阈值 |
|----------|----------|----------|----------|----------|
| **库存同步延迟** | 平台库存更新时间 - 系统库存变更时间 | 同步日志 | 实时 | >5分钟 预警 |
| **库存差异率** | 平台库存与系统库存不一致的SKU数 / SKU总数 | 库存快照 | 每小时 | >2% 预警 |
| **超卖风险SKU数** | 平台库存 > 系统可用库存的SKU数 | 库存对比 | 实时 | >0 预警 |
| **库存预警SKU数** | 库存 < 安全库存的SKU数 | cf_sku | 每日 | - |
| **缺货SKU数** | 库存 = 0 的SKU数 | cf_sku | 实时 | - |

### 8.4 权限管理指标

| 指标名称 | 计算公式 | 数据来源 | 监控频率 | 预警阈值 |
|----------|----------|----------|----------|----------|
| **授权活跃率** | ACTIVE状态授权数 / 总授权数 × 100% | cf_shop_authorization | 每日 | <80% 预警 |
| **即将过期授权数** | 7天内将过期的授权数 | cf_shop_authorization | 每日 | >0 预警 |
| **授权失败率** | 授权失败次数 / 总授权尝试次数 × 100% | 授权日志 | 每小时 | >10% 预警 |
| **API配额使用率** | 已用配额 / 总配额 × 100% | cf_shop_authorization | 每小时 | >80% 预警 |

### 8.5 授权管理指标

| 指标名称 | 计算公式 | 数据来源 | 监控频率 | 预警阈值 |
|----------|----------|----------|----------|----------|
| **店铺授权覆盖率** | 已授权店铺数 / 总店铺数 × 100% | cf_shop, cf_shop_authorization | 每日 | <90% 预警 |
| **OAuth授权成功率** | OAuth成功次数 / OAuth尝试次数 × 100% | 授权日志 | 每小时 | <95% 预警 |
| **Agent授权成功率** | Agent成功次数 / Agent尝试次数 × 100% | 授权日志 | 每小时 | <90% 预警 |
| **授权刷新成功率** | Token刷新成功次数 / 刷新尝试次数 × 100% | 授权日志 | 每小时 | <95% 预警 |

### 8.6 核心业务指标

| 指标名称 | 计算公式 | 数据来源 | 监控频率 | 说明 |
|----------|----------|----------|----------|------|
| **跨平台商品覆盖率** | 在≥2个平台有Listing的SKU数 / SKU总数 | cf_platform_listing | 每周 | 衡量多平台运营能力 |
| **平均利润率** | SUM(利润) / SUM(销售额) × 100% | 订单数据 | 每日 | 核心盈利指标 |
| **商品转化率** | 有订单的Listing数 / 总Listing数 × 100% | 订单数据 | 每周 | 衡量商品竞争力 |
| **AI调价效果** | 调价后利润率 - 调价前利润率 | AI决策日志 | 每周 | 衡量AI调价效果 |

### 8.7 Prometheus指标定义

```typescript
// 商品管理指标
const spuTotalGauge = new Gauge({
  name: 'product_spu_total',
  help: 'Total number of SPU',
  labelNames: ['tenant_id', 'status']
});

const skuTotalGauge = new Gauge({
  name: 'product_sku_total',
  help: 'Total number of SKU',
  labelNames: ['tenant_id', 'status']
});

const listingTotalGauge = new Gauge({
  name: 'product_listing_total',
  help: 'Total number of Platform Listing',
  labelNames: ['tenant_id', 'platform', 'status']
});

// 价格管理指标
const priceSyncCounter = new Counter({
  name: 'price_sync_total',
  help: 'Total number of price sync operations',
  labelNames: ['tenant_id', 'platform', 'status']
});

const priceSyncDuration = new Histogram({
  name: 'price_sync_duration_seconds',
  help: 'Duration of price sync operations',
  labelNames: ['tenant_id', 'platform'],
  buckets: [0.1, 0.5, 1, 2, 5, 10]
});

// 库存同步指标
const inventorySyncCounter = new Counter({
  name: 'inventory_sync_total',
  help: 'Total number of inventory sync operations',
  labelNames: ['tenant_id', 'platform', 'status']
});

const inventoryDiscrepancyGauge = new Gauge({
  name: 'inventory_discrepancy_count',
  help: 'Number of SKUs with inventory discrepancy',
  labelNames: ['tenant_id', 'platform']
});

// 授权管理指标
const authStatusGauge = new Gauge({
  name: 'shop_auth_status',
  help: 'Shop authorization status (1=active, 0=inactive)',
  labelNames: ['tenant_id', 'shop_id', 'platform', 'auth_type']
});

const authExpiryGauge = new Gauge({
  name: 'shop_auth_expiry_seconds',
  help: 'Seconds until shop authorization expires',
  labelNames: ['tenant_id', 'shop_id', 'platform']
});
```

### 8.8 告警规则配置

```yaml
# Prometheus告警规则
groups:
  - name: product_center_alerts
    rules:
      # 商品管理告警
      - alert: LowMappingCoverage
        expr: product_mapping_coverage_ratio < 0.8
        for: 1h
        labels:
          severity: warning
        annotations:
          summary: "SKU映射覆盖率过低"
          description: "SKU映射覆盖率低于80%，当前值: {{ $value }}"
      
      # 价格管理告警
      - alert: HighPriceAnomalyRate
        expr: price_anomaly_ratio > 0.05
        for: 30m
        labels:
          severity: warning
        annotations:
          summary: "价格异常率过高"
          description: "价格异常率超过5%，当前值: {{ $value }}"
      
      # 库存同步告警
      - alert: InventorySyncDelay
        expr: inventory_sync_delay_seconds > 300
        for: 5m
        labels:
          severity: critical
        annotations:
          summary: "库存同步延迟过高"
          description: "库存同步延迟超过5分钟，当前值: {{ $value }}秒"
      
      - alert: OversellRisk
        expr: oversell_risk_sku_count > 0
        for: 1m
        labels:
          severity: critical
        annotations:
          summary: "存在超卖风险"
          description: "发现{{ $value }}个SKU存在超卖风险"
      
      # 授权管理告警
      - alert: AuthExpiringSoon
        expr: shop_auth_expiry_seconds < 604800
        for: 1h
        labels:
          severity: warning
        annotations:
          summary: "店铺授权即将过期"
          description: "店铺授权将在7天内过期"
      
      - alert: HighAuthFailureRate
        expr: auth_failure_rate > 0.1
        for: 30m
        labels:
          severity: warning
        annotations:
          summary: "授权失败率过高"
          description: "授权失败率超过10%，当前值: {{ $value }}"
```