Prometheus で監視する（SLO、メトリクス、アラート）

エンジンは HTTP リスナー上で 3 つの運用エンドポイントを公開しており、いずれもプローブに適しています。

エンドポイント	認証	目的
`/livez`	なし	プロセスの生存確認 — 依存関係チェックなし。そのためストア障害が再起動ループを引き起こすことはない
`/readyz`	なし	レディネス — ストアへの ping（および HA リーダーシップ）：`200 {"status":"ok","store":"up","leader":true,…}`、`503 {"status":"unavailable","store":"down"}`、または HA スタンバイ時に `503 {"status":"standby",…,"leader":false}`
`/metrics`	なし	Prometheus エクスポジション。意図的に未認証：運用系列を運び、テナントデータは決して運ばない

/readyz への到達性が可用性 SLI そのもの です。

重要なメトリクスセット

すべての系列はエンジンによって登録されています（現行コードに照らして検証済み）。中核を担うものは次のとおりです。

系列	何を示すか
`olivares_store_up`	ストアが ping に応答する — あらゆるランブックが最初に確認するもの
`olivares_http_requests_total{code}`	リクエスト成功 SLI（`code!~"5.."`）
`olivares_http_request_duration_seconds`	API レイテンシ（下記の p99 ターゲット）
`olivares_ingest_duration_seconds`	バックプレッシャー SLI — サブスクライバーが飽和するとインジェスト p99 が上昇する
`olivares_ingest_observations_total` / `olivares_ingest_rejected_total`	インジェストのスループットと拒否
`olivares_eventbus_queue_depth` / `_queue_capacity`（サブスクライバーごと）	どのモジュールが遅いコンシューマーか
`olivares_eventbus_publish_blocked_total`	バックプレッシャーイベント（バスはブロックする。ドロップはしない）
`olivares_eventbus_bridge_*`	分散バスが有効なときの NATS ブリッジの健全性 — `_connected`、`_pending_messages`、`_dropped_total`（ノード間配信は at-most-once。ドロップはカウントされ、決して黙殺されない）
`olivares_audit_checkpoint_age_seconds`	改ざん検知の鮮度 — チェックポイント間隔の 2 倍を超えたらアラート
`olivares_auth_login_attempts_total{outcome}`	ログインの成功 / 失敗 / ロックアウト
`olivares_http_ratelimit_decisions_total{decision}`	レートリミットの圧力
`olivares_grpc_requests_total` / `olivares_grpc_request_duration_seconds`	コレクター→コアのインジェストプレーン

SLO ターゲット（公開済み、正直）

シングルノードのターゲット — デフォルトのトポロジーが実際に支えられるもの — と HA ティアです。

SLI	シングルノード	HA ティア（Postgres）
可用性（`/readyz`）	99.5% / 28d	99.9% / 28d
リクエスト成功（非 5xx）	99.9%	99.95%
API レイテンシ p99	< 300 ms	< 200 ms
インジェストレイテンシ p99	< 250 ms	< 150 ms
インジェスト成功	99.9%	99.95%

数値における誠実さ：1 ノード上の単一ライターは可用性のスリーナイン（99.9%）を約束できないので、ドキュメントもそう約束しません。99.5%（28 日あたり約 3 時間 39 分のバジェット）がシングルノードの真実であり、 99.9% のティアは楽観ではなく HA トポロジーによって獲得されます。

同梱のアラートルールを読み込む

deploy/monitoring/olivares-slo.rules.yaml は、Prometheus にすぐ使える 14 個のアラートを同梱しています。リクエスト成功バジェットに対するマルチウィンドウのバーンレートアラート（高速 14.4× ページ / 中速 6× ページ / 低速 1× チケット）、絶対的なレイテンシと可用性の発火（OlivaresIngestP99High、 OlivaresApiLatencyP99High、OlivaresStoreDown、OlivaresControlPlaneUnscrapeable）、飽和（OlivaresEventBusSaturated、キュー >90% が 10 分継続）、ブリッジの健全性（OlivaresEventBusBridgeDropping、OlivaresEventBusBridgeDisconnected）、そして台帳の鮮度（OlivaresAuditCheckpointStale、経過時間 > 2h）です。

rule_files:
  - olivares-slo.rules.yaml
scrape_configs:
  - job_name: olivares
    scheme: https
    tls_config: { insecure_skip_verify: true }   # or pin the real cert
    static_configs: [{ targets: ["olivares.internal:8443"] }]

Kubernetes では、チャートの ServiceMonitor オプションが Prometheus オペレーター向けにスクレイプを配線します。外部からの /readyz プローブ用の Gatus ステータスページ設定が、ルールと並んで同梱されています（deploy/monitoring/status-page.gatus.yaml）。

アラートが発火したら

症状ごとの診断 — ストアダウン、インジェスト p99 高、バス飽和、チェックポイント陳腐化 — はトラブルシューティングページにあります。これはアラートのアノテーションが参照するのと同じランブックから抽出されています。