🩺 Síntomas#

Lo que se ve desde afuera#

503 justo después de escalar, y solo por unos segundos. Cuando alguien mira, ya pasó.
El healthcheck en verde durante todo el incidente. El proceso nunca murió.
Latencia p99 que empeora al agregar instancias, en vez de mejorar.
El autoescalador rebota: suma instancias, la latencia sube, suma más.
El primer usuario de la mañana espera segundos; el resto, milisegundos.
Después de un despliegue, unos minutos de p99 alto que se «arregla solo».

Lo que se ve en las métricas#

readiness en falso mientras liveness está en verdadero — el hueco.
Errores concentrados en las instancias con menos de un minuto de vida.
p99 por edad de instancia: las jóvenes son visiblemente peores.
Reinicios de contenedor por timeout de readiness durante picos de tráfico.

Lo que hace difícil verlo#

El incidente dura menos que el intervalo de scrape. Un Prometheus cada 30 segundos puede no ver un hueco de 8 segundos, y el dashboard queda plano mientras los usuarios reciben 503.

Y hay una confusión que retrasa el diagnóstico: como el proceso está vivo, todo el mundo busca el problema dentro de la aplicación. El problema está en el enrutado, que es infraestructura.

Caso 18 · Arranque en frío y retraso del autoescalado — ⬅️ README del caso · ⚖️ Comparativa de los 7 stacks

🗺️ Contexto · 🩺 Síntomas · 🔍 Diagnóstico · 🧠 Causas raíz · 🛠️ Opciones de solución · ⚖️ Trade-offs · 💼 Valor de negocio · 🚨 Postmortem