使用 Prometheus 监控（SLO、指标、告警）

引擎在 HTTP 监听器上暴露三个运维端点，全部对探针友好：

端点	认证	用途
`/livez`	无	进程存活探测——不做依赖检查，因此存储中断绝不会导致重启循环
`/readyz`	无	就绪探测——存储 ping（以及 HA 主导权）：`200 {"status":"ok","store":"up","leader":true,…}`、`503 {"status":"unavailable","store":"down"}`，或在 HA 备节点上返回 `503 {"status":"standby",…,"leader":false}`
`/metrics`	无	Prometheus 暴露格式。有意不做认证：它携带的是运维序列，绝不包含租户数据

/readyz 的可达性就是可用性 SLI。

真正重要的指标集

所有序列均由引擎注册（已对照当前代码核实）；其中起承重作用的：

序列	它告诉你什么
`olivares_store_up`	存储是否响应 ping——每个运行手册首先检查的项
`olivares_http_requests_total{code}`	请求成功率 SLI（`code!~"5.."`）
`olivares_http_request_duration_seconds`	API 延迟（下文给出 p99 目标）
`olivares_ingest_duration_seconds`	背压 SLI——当某个订阅者饱和时，摄取 p99 会上升
`olivares_ingest_observations_total` / `olivares_ingest_rejected_total`	摄取吞吐量与拒绝量
`olivares_eventbus_queue_depth` / `_queue_capacity`（按订阅者）	哪个模块是慢消费者
`olivares_eventbus_publish_blocked_total`	背压事件（总线会阻塞；它不会丢弃）
`olivares_eventbus_bridge_*`	启用分布式总线时的 NATS 桥接健康状况——`_connected`、`_pending_messages`、`_dropped_total`（跨节点投递为至多一次；丢弃会被计数，绝不静默）
`olivares_audit_checkpoint_age_seconds`	篡改检测证据的新鲜度——当其超过检查点间隔的 2 倍时告警
`olivares_auth_login_attempts_total{outcome}`	登录成功 / 失败 / 锁定
`olivares_http_ratelimit_decisions_total{decision}`	限流压力
`olivares_grpc_requests_total` / `olivares_grpc_request_duration_seconds`	collector→core 的摄取平面

SLO 目标（已发布，诚实）

单节点目标——默认拓扑实际所能支撑的——以及 HA 层级：

SLI	单节点	HA 层级（Postgres）
可用性（`/readyz`）	99.5% / 28 天	99.9% / 28 天
请求成功率（非 5xx）	99.9%	99.95%
API 延迟 p99	< 300 ms	< 200 ms
摄取延迟 p99	< 250 ms	< 150 ms
摄取成功率	99.9%	99.95%

数值中的诚实之处：单节点上的单个写入者无法承诺三个九的可用性，所以文档不这么承诺—— 99.5%（每 28 天约 3 小时 39 分的预算）是单节点的真相，而 99.9% 这一层级是靠 HA 拓扑挣来的，而非靠乐观假设。

加载随附的告警规则

deploy/monitoring/olivares-slo.rules.yaml 随附 14 条可直接用于你的 Prometheus 的告警：针对请求成功率预算的多窗口燃尽率告警（快速 14.4× 触发 page / 中速 6× 触发 page / 慢速 1× 触发工单）、绝对延迟与可用性触发（OlivaresIngestP99High、OlivaresApiLatencyP99High、OlivaresStoreDown、 OlivaresControlPlaneUnscrapeable）、饱和度（OlivaresEventBusSaturated，队列 >90% 持续 10 分钟）、桥接健康（OlivaresEventBusBridgeDropping、OlivaresEventBusBridgeDisconnected），以及账本新鲜度（OlivaresAuditCheckpointStale，age > 2h）。

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"] }]

在 Kubernetes 上，chart 的 ServiceMonitor 选项会为 Prometheus operator 接好抓取。一份用于外部 /readyz 探测的 Gatus 状态页配置与这些规则一同随附（deploy/monitoring/status-page.gatus.yaml）。

当告警触发时

逐症状的诊断——存储宕机、摄取 p99 偏高、总线饱和、检查点陈旧——见故障排查页面，它由告警注解所引用的同一批运行手册提炼而成。