API 可观测性：将信号连接到决策

将遥测数据与用户任务关联

指标、日志和跟踪信息回答不同的问题。高正常运行时间可能会掩盖失败的结账或登录流程。定义用户期望的结果，然后对实现该结果的调用进行监控。

• 选择流程指标来衡量成功、延迟和用户可见的故障。
• 在限制跟踪信息中敏感数据的同时，跨服务传播关联性。
• 模拟依赖项故障，以查看警报是否会导致采取行动以及出现可理解的降级模式。

一手资料：OpenTelemetry — Observability primer. 相关方法：阅读实用指南.

采集故障：核对日志与缺失事件

区分已生成、已接收和可用事件，不把沉默当作没有事故的证据。

• 梳理应用、采集器、存储和负责人。准备有限的虚构事件序列，使用稳定标识，不含秘密或客户数据。保存事件时间和观察时间；采集延迟不自动等于丢失。
• 在测试中中断目标后恢复。观察队列填充、重试、拒绝和重启。持久队列能限制部分损失，但容量有限且依赖存储；定义满队列行为。检查采集不会悄悄阻塞服务。
• 在相同观察截止点核对参考集合和实际可读事件。分别统计重复、延迟和缺失；网络确认不证明最终可用。没有可靠参考时明确覆盖未知，不能写成零丢失或零事故。

{
    "expected_ids": [
        "E1",
        "E2",
        "E3"
    ],
    "received_ids": [
        "E1",
        "E1",
        "E3"
    ],
    "received_rows": 3,
    "unique_received": 2,
    "missing_ids": [
        "E2"
    ],
    "observation_cutoff": "same_for_both_sets"
}

一手资料：OpenTelemetry — Collector resiliency. 相关方法：阅读实用指南.

废弃子域名：受控移除CNAME指向

将DNS名称对应到受控资源，在释放服务前关闭依赖。

• 记录公开名称、CNAME链、供应商资源和负责人，对照授权账户清单与DNS。HTTP错误、NXDOMAIN或资源缺失需要调查，不能证明可被接管；供应商保护不同。
• 先删除指向或改为受控目标，再释放资源。考虑原有TTL和缓存，检查权威DNS及多个解析器。保留仍需使用的所有权验证，不要统一删除TXT记录。
• 检查链接、重定向、OAuth回调、webhook及Cookie域。若资源已释放，修正DNS并按事件流程调查可能暴露。每次删除后核对DNS与资源清单。

{
    "name": "portal.example",
    "cname_present": true,
    "resource_deleted": true,
    "provider_claimability": "not_verified",
    "takeover_observed": false,
    "expected": "remove_or_replace_mapping_and_review_exposure"
}

一手资料：Microsoft — Prevent dangling DNS entries. 相关方法：阅读实用指南.

API重试：计算端到端时间预算

区分单次调用、等待与完整路径。

相关方法：阅读实用指南.