Introduzione

Nel mondo dei microservizi Go, gli errori intermittenti sono una delle cause più frustranti di downtime. Spesso, il problema non è tanto l'errore stesso, ma la quantità di dati generati dai log, che può sommergere gli strumenti di osservabilità e allungare il Mean Time to Recovery (MTTR). In questo articolo, seguiamo un progetto step‑by‑step: dall'individuazione del sintomo alla configurazione di un sampling intelligente, fino al monitoraggio continuo con Lescopr.

1. Analisi preliminare e definizione dei criteri di campionamento

1.1 Identificazione del pattern di errore

Metriche chiave: tasso di errore (error_rate), latenza (latency), numero di richieste per secondo (rps).
Segnale di intermittenza: picchi di error_rate che durano meno di 30 secondi ma si ripetono più volte al giorno.
Strumenti: Prometheus per le metriche, Grafana per il visualizzatore, e i log grezzi di Loki.

1.2 Definizione delle soglie di campionamento

Soglia	Valore consigliato
Latency > 200 ms	Attiva campionamento al 30 %
Error_rate > 0,5 %	Campiona al 50 %
RPS > 500	Limita il campionamento al 10 %

Queste soglie sono dinamiche: verranno aggiornate automaticamente in base al trend delle metriche.

2. Implementazione del sampling nel codice Go

2.1 Integrazione di un middleware di logging

package middleware

import (
    "context"
    "math/rand"
    "time"
    "github.com/lescopr/observability"
)

func SamplingLogger(next http.Handler) http.Handler {
    return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
        start := time.Now()
        next.ServeHTTP(w, r)
        duration := time.Since(start)
        // Recupera metriche dal contesto (es. latency, error_rate)
        latency := duration.Milliseconds()
        errRate := observability.GetErrorRate(r.Context())
        // Regola la probabilità di logging
        prob := calculateProbability(latency, errRate)
        if rand.Float64() < prob {
            observability.LogRequest(r, latency, errRate)
        }
    })
}

func calculateProbability(latency, errRate int64) float64 {
    if latency > 200 {
        return 0.3
    }
    if errRate > 5 {
        return 0.5
    }
    return 0.1
}

Questo middleware campiona solo le richieste che superano le soglie definite, riducendo drasticamente il volume di log.

2.2 Configurazione di Lescopr per il sampling contestuale

Accedi al pannello Sampling Rules.
Crea una nuova regola: Latency > 200 ms → Sample 30 %.
Associa la regola al servizio go‑microservice‑api.
Attiva la Dynamic Thresholds per aggiornare le soglie in tempo reale.

3. Verifica e ottimizzazione continua

3.1 Monitoraggio del volume di log

Utilizza la dashboard di Lescopr per confrontare il log volume prima e dopo l'attivazione del sampling. Un buon obiettivo è una riduzione del 70 % del traffico di log senza perdita di eventi critici.

3.2 Analisi di falsi negativi

Step: esegui test di carico simulando errori rari.
Metriche da osservare: percentuale di errori non loggati.
Azione: se la percentuale supera il 5 %, abbassa la soglia di campionamento.

3.3 Automazione delle soglie

Implementa un job periodico (es. ogni ora) che legge le metriche da Prometheus e aggiorna le regole di Lescopr via API.

curl -X POST https://api.lescopr.io/v1/sampling/rules \
     -H "Authorization: Bearer $TOKEN" \
     -d '{"service":"go‑microservice‑api","latency_ms":200,"sample_rate":0.3}'

4. Best practice per la gestione del rumore nei log

Centralizzare i log in un unico store (es. Loki) per facilitare il campionamento.
Taggare ogni log con metadata (service, version, environment) per filtrare rapidamente.
Impostare alert su metriche aggregate (error_rate, latency) prima di analizzare i log.
Documentare le soglie di campionamento e le motivazioni dietro ogni decisione.

Conclusione e prossimo passo

Applicare un sampling intelligente ai microservizi Go permette di ridurre il rumore dei log, migliorare la visibilità sugli errori intermittenti e accorciare i tempi di risoluzione. Per approfondire, la documentazione di Lescopr descrive la configurazione passo dopo passo.