Investigate application errors with KQL
El primer paso de una investigación debería ser entender el scope del problema: cuantos errores hay, cuando comenzaron y que tipos hay involucrados.
usamos sum() para producir accurate results cuando el sampling de Application Insights está activo
exceptions
| where timestamp > ago(24h)
| summarize exceptionCount = sum(itemCount) by bin(timestamp, 1h), type
| render timechart
Una vez encontramos el error podemos ir a más detalle para encontrar los most common exception types
agrupawr excepciones por exception type y operation name, produciendo una ranked list de las operaciones que generan más errores
exceptions
| where timestamp > ago(24h)
| summarize exceptionCount = sum(itemCount) by type, operation_Name
| top 10 by exceptionCount desc
Correlate failures across services
En una arquitectura multi servicio, una request puede viajar por muchos servicios diferentes, y un fallo en uno de ellos puede seguir la cadena y resultar en fallos en otros servicios.
Con el operation_id linkeamos todos los telemetry items de una single request distribuida. Haciendo un join a través de este operation_id podemos ver la secuencia completa de eventos que llevan a ese fallo
exceptions
| where timestamp > ago(24h)
| join kind=inner (
requests
| project requestName = name, requestDuration = duration, operation_Id, requestRoleName = cloud_RoleName
) on operation_Id
| project timestamp, exceptionType = type, exceptionMessage = outerMessage,
requestName, requestDuration, cloud_RoleName = requestRoleName
| top 20 by timestamp desc
- La columna
cloud_RoleNameidentifica que servicio ha generado la excepción - La columna
requestDurationrevela donde ha ido lenta la request
Analyze dependency latency and failures
La tabla dependencies captura cada outgoing call como llamadas a BBDD, HTTP APIs, Azure services y otros.
Es la primera tabla que tenemos que mirar para buscar un bottleneck cuando algo es lento.
dependencies
| where timestamp > ago(24h)
| summarize avg(duration), percentiles(duration, 50, 95, 99) by target, type
| order by percentile_duration_95 desc
Percentile calculations dan un overview mas preciso que tener en cuenta solo los avg. Para ello usamos los percentiles 95th y 99th.
identificar dependencias fallidas
dependencies
| where timestamp > ago(24h)
| where success == false
| summarize failureCount = count() by target, resultCode, cloud_RoleName
| order by failureCount desc
Failure and performance views
Application Insights ofrece vistas que complementan a KQL.
La Failures view agrupa operaciones fallidas por tipo y hace display de los tipos fallidos más comunes
La performance view muestra todas las operaciones con su response time y distribuciones y request counts.