Saltar a contenido

ADR-041: Métricas operativas sin tenant (/metrics propio) y migraciones con un cerrojo único que existe de verdad

Estado: Aceptado Fecha: 2026-10-21 Enmendado por: ADR-052 (la familia orpycamcp_worm_exhausted_artifacts y la señal worm pasan a orpycamcp_preservation_exhausted_artifacts / preservation, con siete fases; Prometheus entra al manifiesto) Autores: Giampiero (mantenedor principal); tanda C-8 del triage (C18, C19) Relacionados: ADR-010 (librería compartida y auditoría inmutable), ADR-012 (migraciones), ADR-021 (dead-letter), ADR-023 (WORM), ADR-035 (estado de la entidad)

Contexto

C18 — nadie veía lo que se acumula en silencio. Una dead-letter con eventos aparcados, un artefacto WORM cuyo reintento se agotó o una cadena de auditoría rota no tenían ninguna superficie de supervisión: el estado vivía en tablas por tenant y solo lo veía quien abría la pantalla de administración de esa entidad.

C19 — migrar al arrancar no era simétrico, y el texto afirmaba un cerrojo que no existía. Producción ya tenía un migrate-<servicio> por servicio con service_completed_successfully; desarrollo no, y las migraciones se aplicaban a mano. Peor: infra/docker-compose.prod.yml y docs/es/deployment.md decían que el runner «serializa por pg_advisory_lock». grep advisory sobre los nueve migrations/runner.py y sobre orpycamcp_common/migrations.py daba cero. Nueve migradores en paralelo se pisaban en CREATE TABLE IF NOT EXISTS public.schema_migrations, en la evento_dead_letter que crean cuatro servicios en el mismo schema y en los asientos-ancla (comprobar y luego escribir). Y las migraciones globales no iban en transacción: un fallo a mitad dejaba DDL aplicado sin asiento en el libro.

Decisión

C19 — Un cerrojo global, real, y las globales en transacción

orpycamcp_common.migrations.cerrojo(conn, timeout_s=…): pg_try_advisory_lock sobre una constante fija (CERROJO_MIGRACIONES, los ocho bytes ASCII de «ORPYCAM1», legible en pg_locks), con reintento cada 0,5 s hasta MIGRATIONS_LOCK_TIMEOUT_S (600 por defecto). Vencido el plazo: RuntimeError legible («otra migración tiene el cerrojo desde hace N s (pid …)»), el proceso sale con código 1, no se cumple service_completed_successfully y el servicio no arranca (fail-closed). Se suelta en finally; es de sesión, así que sobrevive a las transacciones por archivo y el servidor lo libera si la conexión muere.

  • Uno solo para todos, no uno por servicio: comparten el libro, public y tablas del schema tenant (evento_dead_letter). Coste: los nueve migradores se serializan (segundos cuando todo es skip).
  • Los nueve runner.py envuelven todo (libro, importación de libros antiguos, globales y tenant) y scripts/init_tenant.py toma el mismo cerrojo: provisionar una entidad mientras arranca un migrador ya no los deja pisarse.
  • _apply_global pasa a async with conn.transaction() por archivo, como ya hacía _apply_tenant. Verificado: ningún .sql global usa CONCURRENTLY, ADD VALUE, VACUUM ni BEGIN;; un guardián lo vigila.
  • Desarrollo (docker-compose.yml): los nueve migrate-<svc> (misma imagen, restart: "no", sin ports, conexión del propietario) y depends_on … service_completed_successfully. La imagen la construye el servicio (image: orpycamcp/<svc>-service:dev explícita) y el migrador la reutiliza por nombre con pull_policy: never, sin build: propio para no construirla dos veces. Los servicios conservan MIGRATIONS_DATABASE_URL: scripts/init-tenant.sh hace docker compose exec y los conftest de integración la leen.
  • --no-deps sigue permitido y salta el migrador a propósito: recrear con la misma imagen no tiene hueco (el migrador ya la aplicó); con imagen nueva la receta es build && run --rm --no-deps migrate-<svc> && up -d --no-build --no-deps <svc> (si el migrador falla, el && no recrea). No se impide; se documenta.

C18 — /metrics mínimo, propio y sin identidad

Exportador propio (orpycamcp_common.metricas, texto 0.0.4) frente a prometheus_client: todo son gauges de estado leídos de la base con caché, no contadores en proceso; el registro por defecto de la librería empuja a emitir 0 donde queremos ausencia; y añadirla serían seis dependencias nuevas (txt + lock) para nueve líneas. Si un día hacen falta histogramas de latencia, se revisa esta decisión.

Frontera por admisión. FAMILIAS es el registro único de las nueve familias; lo que no está no se puede emitir y cada etiqueta tiene un conjunto cerrado de valores (signal ∈ {dlq, worm, audit_chain}; artifact ∈ 7; phase ∈ {reconcile, renewal, packaging}). Ninguna etiqueta de tenant, slug, usuario, radicado ni id. Los números son agregados sobre todos los tenants (incluidos los suspendidos: su DLQ y su WORM siguen existiendo; solo se omite una entidad con aprovisionamiento pendiente).

Familia Servicio Qué dice
orpycamcp_signal_measured{signal} los seis 1 = la última medición fue completa; 0 = no verificado
orpycamcp_signal_last_success_timestamp_seconds{signal} los seis epoch de la última medición completa (ausente si nunca)
orpycamcp_dlq_pending_events workflow, signature, notification, knowledge pendientes del origin_group propio
orpycamcp_dlq_oldest_pending_timestamp_seconds idem el más antiguo (ausente si no hay pendientes)
orpycamcp_worm_exhausted_artifacts{artifact,phase} archive artefactos con el reintento WORM agotado
orpycamcp_audit_chain_breaks / _declared_breaks / _verification_ok / _last_verification_timestamp_seconds auth última corrida completa de verify_audit_chains

Ausencia ≠ 0 (regla única). Si la medición de una señal falla en cualquier tenant (tabla ausente, timeout, error SQL, valor fuera del registro) se emite signal_measured{signal} 0, se conserva el last_success del último éxito y no se emite ninguna serie de valor de esa señal. Nunca una suma parcial (subestimaría). Cuando sí se midió, cada combinación se emite también con 0: ahí el 0 es verdad. Un fallo también se cachea durante el TTL para no martillar una base que ya sufre.

Medición perezosa con TTL (30 s, METRICS_TTL_SECONDS), una sola medición en vuelo (asyncio.Lock), plazo de 10 s y SET LOCAL statement_timeout en una transacción de solo lectura. Sin tarea de fondo: nadie scrapea ⇒ cero carga, y no se tocan los lifespan.

audit_chain: el valor del último job, nunca verify_chain en el scrape. Alternativas: (A) tabla public.audit_chain_runs que escribe el CLI; (B) un asiento audit.chain.verified en audit_log; (C) un job periódico en el proceso de auth. (B) cambia el extremo que backup.sh ancla en la misma corrida; (C) corre verify_chain (el registro entero) dentro del proceso que valida tokens, se duplica por réplica y tras cada reinicio dejaría horas «no verificado». Se elige A (migración global 009_audit_chain_runs.sql, con REVOKE UPDATE, DELETE, TRUNCATE para el rol de la aplicación: solo se añade). El CLI anota una fila al final, best-effort (si falla, aviso a stderr y el código de salida no cambia: un respaldo no se rompe por una métrica; la ausencia la delata la alarma de antigüedad). Una corrida con --slug o --excluir-prefijo se anota parcial y nunca cuenta como verificación. La antigüedad la juzga la alarma, no el exportador.

Declarado (auditoría de cierre del lote C): audit_chain_runs es monitoreo, no prueba. El REVOKE UPDATE, DELETE, TRUNCATE impide reescribir o borrar lo anotado, pero el rol de la aplicación (orpycamcp_app) conserva INSERT: un proceso con ese rol podría anotar una corrida «verificada» que no ocurrió. La métrica audit_chain dice cuándo anotó el último job, no que la cadena sea íntegra; la integridad se demuestra volviendo a correr verify_chain (el CLI del respaldo, que ancla el extremo en la misma corrida) y comparando con el ancla. Cerrarlo del todo exige un rol propio del job con INSERT y la aplicación sin él: queda como mejora de despliegue, no se simula aquí. Por la misma razón la alarma de antigüedad no debe leerse como certificado de integridad.

Exposición. GET /metrics en el puerto propio de auth, archive, workflow, notification, signature y knowledge (include_in_schema=False); no lo exponen gateway, tenant, document, storage, mcp ni whisper. Tres barreras: (1) el gateway solo reenvía /api/v1/; (2) toda petición con X-Forwarded-For, Forwarded o X-Real-IP recibe 404 (Prometheus no las manda, nginx y el gateway sí: defensa en profundidad, no sustituye a la red); (3) nginx de producción responde return 404 a /metrics y /metrics/ en el host de la API. En producción los servicios no publican ports:.

Consecuencias

  • Una alarma de orpycamcp_signal_measured == 0 distingue «no sé» de «no hay problema»; sin ella, un 0 inventado habría tranquilizado exactamente cuando la medición estaba rota.
  • En desarrollo audit_chain saldrá no verificado o con roturas: los 139+ asientos itest-* que dejaron las pruebas de integración no se pueden borrar (audit_log solo admite anexar) y --excluir-prefijo es, por construcción, una corrida parcial. Es lo honesto; no se esconde.
  • Con réplicas, cada una reporta el mismo estado de la base: agregar con max(), no con sum().
  • El tamaño del UNION ALL crece con el número de tenants (una rama por entidad); con cientos de entidades conviene paginar por lotes de schemas. Hoy no aplica.
  • Si una migración dependiera del orden respecto de otro servicio, el cerrojo global no lo resuelve (el orden es arbitrario, igual que antes). No se detectó ninguna; queda declarado.
  • Los reconcile_agotado del sellado XAdES y fixity_premis_agotado no son WORM y quedan fuera; ampliación natural con phase=sealing.
  • Guardianes: shared/tests/test_metricas.py, test_metricas_frontera.py, test_metricas_worm_censo.py, test_cerrojo_migraciones.py, test_migraciones_al_arrancar.py (prod y dev) y la prueba de integración del cerrojo contra Postgres real.