Details

Целью работы является централизация и расширение мониторингового контура на примере полихранилища Polypheny-DB. Актуальность темы обусловлена ростом применения гетерогенных хранилищ данных и необходимостью обеспечения наблюдаемости сложных распределенных систем, в которых требуется контролировать не только инфраструктурные показатели, но и состояние адаптеров, маршрутизации и выполнения запросов. В ходе работы решены следующие задачи: 1. Проведен анализ встроенных средств наблюдаемости Polypheny-DB и выявлены ключевые ограничения. 2. Сформулированы функциональные и нефункциональные требования к системе мониторинга полихранилища. 3. Спроектирована пятиуровневая функциональная структура системы мониторинга и обоснован выбор ее компонентов. 4. Реализован и протестирован работоспособный прототип системы мониторинга. Прототип включает агент мониторинга на Python (17 метрик), конфигурацию Prometheus (13 правил агрегации и 13 оповещений), пять панелей Grafana и оркестрацию Docker Compose (9 сервисов). Тестирование (27 тест-кейсов) подтвердило выполнение всех требований: доля успешных запросов 100 %, время обнаружения сбоя источника 7–12 с, восстановление сбора метрик 2–5 с. Полный исходный код опубликован в открытом репозитории на GitHub.

The aim of the work is to centralize and extend the monitoring loop of the Polypheny-DB polystore. The relevance of the topic is driven by the growing adoption of heterogeneous data stores and the need to ensure observability of complex distributed systems, which require monitoring not only infrastructure-level indicators but also the state of adapters, query routing, and data placement. The following objectives were accomplished: 1. Analysis of existing observability capabilities of Polypheny-DB and identification of key limitations. 2. Formulation of functional and non-functional requirements for a polystore monitoring system. 3. Design of a five-layer modular structure. 4. Implementation and testing of a working monitoring prototype. The prototype includes a Python monitoring agent (17 metrics), a Prometheus configuration (13 recording and 13 alert rules), five Grafana dashboards, and container orchestration via Docker Compose (9 services). Testing (27 test cases) confirmed compliance with all requirements: 100 % success rate, fault detection time of 7–12 seconds, and metric collection recovery within 2–5 seconds. The complete source code has been published in an open repository on GitHub.