# ارصد الخدمة وتجربة مستخدميها

Taiga Learning · ورقة عمل
https://taiga.training/ar/lessons/observability/

استخدم معلومات افتراضية أو معتمدة. لا تضع أسراراً في ورقة العمل هذه.

## أهداف التعلّم
- اختيار قياسات تشغيلية تجيب عن سؤال تشغيلي محدد.
- التمييز بين عَرَض في الخدمة وسبب داخلي.
- حماية القياسات التشغيلية وكشف الأدلة المفقودة أو القديمة.

## التمرين
لتصدير البيانات الخيالي في هذا الدرس، حدّد SLI واحداً وتنبيهاً يستدعي إجراءً وثلاثة حقول قياسات مسموحة وحقلين ممنوعين. بيّن كيف تكشف تعطّل مسار القياسات التشغيلية.

## إجابتك
- السيناريو والنطاق:
- الافتراضات والأسئلة المفتوحة:
- الإجابة أو القرار المقترح، مع الأسباب:

## تحقّق من إجابتك
| الادعاء أو المعيار | الدليل أو الاختبار | النتيجة أو الفجوة | المسؤول |
| --- | --- | --- | --- |
| | | | |
| | | | |
| | | | |

## الإجراء التالي
- الإجراء والمسؤول والتاريخ:
- متى ستراجع هذه الإجابة؟

## المبدأ الذي يجب تذكّره
تجعل قابلية الرصد سلوك الخدمة قابلاً للتفسير. تربط القياسات التشغيلية المفيدة الأثر على المستخدم بالبحث دون كشف بيانات غير ضرورية.

## المصادر
- [OpenTelemetry: Observability primer](https://opentelemetry.io/docs/concepts/observability-primer/)
- [OpenTelemetry: Handling sensitive data](https://opentelemetry.io/docs/security/handling-sensitive-data/)
- [Google SRE: Alerting on SLOs](https://sre.google/workbook/alerting-on-slos/)
- [Taiga docs: Monitoring](https://docs.tai.ga/operate/monitoring/)

تدعم ورقة العمل هذه التعلّم. ولا يمنح إكمالها بحد ذاته إذناً بإجراء تغيير في بيئة الإنتاج.