La optimización del rendimiento comienza con la identificación de métricas clave, que suelen estar relacionadas con la latencia y el procesamiento. La incorporación de la supervisión para capturar y hacer un seguimiento de estas métricas expone los puntos débiles de la aplicación. Con las métricas, se puede realizar la optimización para mejorar las métricas de rendimiento.
Además, muchas herramientas de supervisión te permiten configurar alertas para tus métricas, de modo que recibas una notificación cuando se cumpla un umbral determinado. Por ejemplo, puedes configurar una alerta para que te notifique cuando el porcentaje de solicitudes fallidas aumente en más de X% de los niveles normales. Las herramientas de supervisión pueden ayudarte a identificar cómo es el rendimiento normal y detectar aumentos inusuales en la latencia, las cantidades de errores y otras métricas clave. La capacidad de supervisar estas métricas es especialmente importante durante los períodos críticos para la empresa o después de que se haya enviado código nuevo a producción.
Identifica las métricas de latencia
Asegúrate de que tu IU sea lo más responsiva posible, y ten en cuenta que los usuarios esperan estándares aún más altos de las apps para dispositivos móviles. También se debe medir y hacer un seguimiento de la latencia de los servicios de backend, en particular, porque puede generar problemas de procesamiento si no se controla.
Estas son algunas métricas sugeridas para hacer un seguimiento:
- Duración de la solicitud
- Duración de la solicitud con la granularidad del subsistema (como las llamadas a la API)
- Duración del trabajo
Identifica las métricas de procesamiento
El procesamiento es una medida de la cantidad total de solicitudes entregadas durante un período determinado. El procesamiento puede verse afectado por la latencia de los subsistemas, por lo que es posible que debas optimizar la latencia para mejorar el procesamiento.
Estas son algunas métricas sugeridas para hacer un seguimiento:
- Consultas por segundo
- Tamaño de los datos transferidos por segundo
- Cantidad de operaciones de E/S por segundo
- Utilización de recursos, como el uso de la CPU o la memoria
- Tamaño del trabajo pendiente de procesamiento, como Pub/Sub o la cantidad de subprocesos
No solo la media
Un error común al medir el rendimiento es solo observar el caso medio (promedio). Si bien esto es útil, no proporciona información sobre la distribución de la latencia. Una mejor métrica para hacer un seguimiento son los percentiles de rendimiento, por ejemplo, los percentiles 50, 75, 90 y 99 para una métrica.
En general, la optimización se puede realizar en dos pasos. Primero, optimiza la latencia del percentil 90. Luego, considera el percentil 99, también conocido como latencia de cola: la pequeña porción de solicitudes que tardan mucho más en completarse.
Supervisión del servidor para obtener resultados detallados
Por lo general, se prefiere la generación de perfiles del servidor para hacer un seguimiento de las métricas. El servidor suele ser mucho más fácil de instrumentar, permite el acceso a datos más detallados y es menos susceptible a las perturbaciones causadas por problemas de conectividad.
Supervisión del navegador para obtener visibilidad de extremo a extremo
Si tu integración de la API de Google Ads entrega un frontend web a los usuarios finales, la generación de perfiles del navegador puede proporcionar estadísticas adicionales sobre la experiencia del usuario. Puede mostrar qué páginas tienen solicitudes lentas, que luego puedes correlacionar con la supervisión del servidor para realizar un análisis más detallado.
Google Analytics también proporciona supervisión lista para usar de los tiempos de carga de la página en el informe de Tiempos de página de Analytics. Esto proporciona varias vistas útiles para comprender la experiencia del usuario en tu sitio, en particular:
- Tiempos de carga de la página
- Tiempos de carga de redireccionamiento
- Tiempos de respuesta del servidor
Supervisión en la nube
Hay muchas herramientas que puedes usar para capturar y supervisar las métricas de rendimiento de tu aplicación. Por ejemplo, puedes usar Google Cloud Logging para registrar métricas de rendimiento en tu proyecto de Google Cloud y, luego, configurar paneles en Google Cloud Monitoring para supervisar y segmentar las métricas registradas.
Consulta la guía de Logging para obtener un
ejemplo de interceptor de registro de gRPC personalizado escrito para la
biblioteca cliente de Python. En ese ejemplo, el interceptor llama a logger.log_struct() para enviar un diccionario de Python de datos de registro estructurados a Cloud Logging, que Cloud Logging almacena en el campo jsonPayload de la entrada de registro:
logger.log_struct({
"method": method_name,
"elapsed_ms": elapsed_milliseconds,
"is_fault": is_fault,
})
Con esos datos disponibles en Google Cloud, puedes crear métricas sobre los datos registrados para obtener visibilidad de tu aplicación a través de Google Cloud Monitoring. Sigue la guía de métricas basadas en registros definidas por el usuario para crear métricas con los registros enviados a Google Cloud Logging.
Como alternativa, puedes usar las bibliotecas cliente de Cloud Monitoring para definir métricas en tu código y enviarlas directamente a Monitoring, por separado de los registros.
Ejemplo de métricas basadas en registros
Supongamos que deseas supervisar el valor is_fault para comprender mejor las tasas de error en tu aplicación. Debido a que logger.log_struct() escribe campos de diccionario estructurados
en jsonPayload en cada entrada de registro de Cloud Logging, puedes
crear una métrica de contador llamada ErrorCount con un filtro que
coincida con las solicitudes fallidas, como jsonPayload.is_fault = true.
En Cloud Logging, las etiquetas te permiten agrupar tus métricas en
categorías según otros datos de los registros. Puedes configurar una etiqueta STRING llamada Method en el campo jsonPayload.method
enviado a Cloud Logging para desglosar el recuento de errores por el método de la API de Google Ads.
Con la métrica ErrorCount y la etiqueta Method configuradas, puedes
crear un gráfico nuevo en Cloud Monitoring para supervisar
ErrorCount, con agrupación por Method.
Alertas
Es posible configurar políticas de alertas en Cloud Monitoring y en otras herramientas que especifiquen cuándo y cómo se deben activar las alertas según tus métricas. Para obtener instrucciones sobre cómo configurar alertas de Cloud Monitoring, sigue la guía para configurar alertas sobre métricas basadas en registros.