I moderni servizi online, dalle app bancarie alle piattaforme di prenotazione biglietti, si affidano a vaste reti di piccoli programmi informatici che lavorano insieme. Questi programmi non girano tutti su una singola macchina; invece, si scambiano compiti attraverso un panorama digitale. Per mantenere organizzata questa complessa coreografia, gli ingegneri utilizzano motori software speciali che gestiscono attività a lunga esecuzione, garantendo che una sequenza di passaggi si completi correttamente anche se parti del sistema inciampano. Quando questi sistemi falliscono, l'obiettivo immediato è stato tradizionalmente quello di risolvere il problema il più rapidamente possibile. Tuttavia, questo focus sulla velocità spesso trascura una domanda più profonda: il modo in cui un sistema si riprende aiuta davvero a mantenerlo stabile nel lungo periodo, o si limita a tappare un buco che presto tornerà a perdere?

Un ricercatore guidato da Ehtesham Junaid presso l'American University si è posto l'obiettivo di rispondere a questa domanda. Ha indagato se combinare una comprensione matematica di come i sistemi falliscano con strumenti di riparazione automatizzata potesse creare un ambiente digitale più resiliente. Il loro lavoro suggerisce che il modo in cui gestiamo attualmente i crash informatici sia incompleto. Trattando il processo di ripresa non solo come un lavoro di riparazione, ma come un aggiustamento calcolato alla salute complessiva del sistema, hanno trovato un modo per rendere le reti distribuite non solo più veloci nel correggere gli errori, ma anche significativamente più affidabili nel tempo.

Il ricercatore si è concentrato su un tipo specifico di motore software chiamato Cadence, ampiamente utilizzato per orchestrare flussi di lavoro in sistemi su larga scala. Immaginate un flusso di lavoro come una serie di istruzioni che un computer segue per completare un lavoro complesso, come l'elaborazione di un pagamento o la spedizione di un ordine. In una configurazione tradizionale, se uno step in questa catena si rompe, gli strumenti di monitoraggio suonano un allarme e un sistema automatizzato o un ingegnere umano interviene per riavviare la parte guasta. Il problema, ha notato il ricercatore, è che queste risposte sono spesso reattive e cieche rispetto al quadro generale. Esse riparano il sintomo immediato senza considerare come tale riparazione cambi la probabilità di futuri guasti. Un sistema potrebbe riprendersi rapidamente da un crash, solo per entrare in un ciclo di guasti ripetuti perché le regole sottostanti che governano la sua ripresa non erano ottimizzate per la stabilità a lungo termine.

Per affrontare questo problema, il ricercatore ha costruito un nuovo framework che integra un modello di affidabilità direttamente nel sistema di risposta automatizzata. Invece di trattare il flusso di lavoro come una semplice lista di compiti, lo ha modellato come una serie di stati, molto simile a una mappa delle possibili condizioni in cui un sistema può trovarsi. In questo modello, ogni passaggio di un flusso di lavoro ha una probabilità nota di fallimento e una probabilità nota di ripresa. Il sistema calcola costantemente questi tassi sulla base di dati in tempo reale, come la frequenza con cui un compito specifico va in timeout o la rapidità con cui si riprende dopo un tentativo di riavvio. Ciò consente al computer di stimare la disponibilità complessiva dell'intero sistema, prevedendo quanto sia probabile che rimanga operativo nel tempo.

Il ricercatore ha poi collegato questo modello agli strumenti di osservabilità del sistema. Nell'informatica moderna, l' "osservabilità" si riferisce alla capacità di vedere all'interno di un sistema raccogliendo log, metriche di prestazione e tracce di attività. Il ricercatore ha fuso questi dati tradizionali con i segnali specifici generati dal motore del flusso di lavoro stesso. Ad esempio, invece di vedere solo che un server è lento, il sistema può ora vedere che un passaggio specifico in un flusso di pagamento è bloccato in attesa di un segnale. Combinando questi due flussi di informazioni, il sistema automatizzato può rilevare i problemi più velocemente e con maggiore precisione. Nei loro test, questo approccio ha permesso al sistema di identificare i problemi circa il 34 percento più velocemente rispetto ai metodi che si affidano solo ai dati di monitoraggio standard.

Una volta rilevato un problema, il sistema passa all'identificazione della causa principale. Questa è spesso la parte più difficile della gestione degli incidenti, poiché un singolo errore può propagarsi attraverso molti servizi, creando una rete confusa di sintomi. Il ricercatore ha sviluppato un metodo che utilizza una mappa di come i servizi dipendano l'uno dall'altro, combinata con le previsioni del modello di affidabilità. Il sistema analizza quali parti del flusso di lavoro hanno maggiori probabilità di fallire in base ai dati storici e alle condizioni attuali, classificando poi le potenziali cause di conseguenza. Nei loro esperimenti, questa tecnica ha migliorato l'accuratezza nell'identificare la vera fonte di un guasto all'83 percento per la prima ipotesi, e oltre il 92 percento considerando le prime tre possibilità. Si tratta di un miglioramento significativo rispetto ai sistemi che guardano solo alle connessioni tra i servizi senza considerare il comportamento specifico del flusso di lavoro.

L'ultimo pezzo del framework è la risposta automatizzata stessa. Quando il sistema identifica una causa principale, esegue un'azione di riparazione, come riavviare un compito, aumentare le risorse o reindirizzare il traffico. L'innovazione cruciale qui è il ciclo di feedback. Dopo che la riparazione è stata effettuata, il sistema non passa semplicemente oltre. Esso ricalcola immediatamente i tassi di fallimento e di ripresa basandosi sull'esito di quella specifica riparazione. Se la riparazione ha funzionato bene, il sistema impara che questa strategia è efficace per quel tipo di problema. Se non ha funzionato, il modello si adatta. Nel tempo, questo crea un sistema che si autocorregge e che impara quali strategie di ripresa preservano la stabilità a lungo termine.

I risultati dello studio, testati su una configurazione distribuita con dodici microservizi e quattro flussi di lavoro a lunga esecuzione, hanno mostrato benefici evidenti. Il nuovo framework ha ridotto il tempo medio di risoluzione degli incidenti a 9,8 minuti, rispetto ai 12,4 minuti dell'automazione basata su regole standard e ai 18,6 minuti del recupero manuale. Ancora più importante, la disponibilità complessiva del sistema, ovvero la percentuale di tempo in cui è rimasto operativo, è salita a 0,988, rispetto allo 0,976 dell'automazione basata su regole e allo 0,964 del recupero manuale. Sebbene questi numeri possano sembrare piccoli, in un sistema su larga scala, anche un miglioramento di una frazione di percentuale si traduce in ore di tempo di inattività risparmiate in un anno. Inoltre, la frequenza dei guasti ripetuti è diminuita significativamente, con il sistema che ha mostrato una riduzione del 18 percento della ricorrenza dopo diversi cicli di apprendimento.

Il ricercatore riconosce che i suoi risultati provengono da un ambiente controllato. Il banco di prova era più piccolo e prevedibile rispetto ai sistemi massicci e caotici utilizzati dalle grandi aziende globali, dove migliaia di servizi interagiscono sotto carichi di traffico imprevedibili. Il modello assume anche schemi di fallimento e ripresa relativamente semplici, mentre i sistemi reali possono sperimentare guasti simultanei e complessi. Nonostante queste limitazioni, lo studio fornisce prove solide del fatto che integrare la modellazione dell'affidabilità nella risposta agli incidenti cambi le regole del gioco. Sposta l'attenzione dal semplice spegnere incendi al costruire un sistema che sia intrinsecamente più difficile da bruciare.

In definitiva, questo lavoro dimostra che l'affidabilità e la gestione degli incidenti non dovrebbero essere trattate come livelli di gestione separati. Tessendo la comprensione matematica di come i sistemi falliscono direttamente negli strumenti che li riparano, gli ingegneri possono creare sistemi distribuiti che siano non solo più rapidi nel riprendersi, ma anche più robusti di fronte alle sfide future. Lo studio suggerisce che la strada verso servizi online veramente affidabili risiede nell'insegnare a questi sistemi a imparare dai propri errori, adattando il proprio comportamento in tempo reale per mantenere la stabilità nel lungo periodo.