Lektion 1Backend Node.js-instrumentering: automatisk vs manuell spårning, HTTP-middleware, fånga spänner för middleware, affärslogik och nedströmsanropDenna sektion beskriver Node.js-backend-instrumentering, jämför automatisk och manuell spårning, och visar hur man fångar spänner för HTTP-middleware, affärslogik och nedströmsanrop till databaser, cache och externa tjänster för fullständig synlighet på förfrågningar.
Choosing automatic versus manual instrumentationTracing Express and Koa middleware chainsCapturing spans for core business operationsInstrumenting outbound HTTP and gRPC clientsHandling async context and promise boundariesLektion 2Databasinstrumentering: PostgreSQL-förfrågnings timings, långsam förfrågningsloggning, anslutningspool-metriker, spårning på förfrågningnivåDenna sektion fokuserar på PostgreSQL-instrumentering, inklusive förfrågnings timings, långsam förfrågningsloggning, anslutningspool-metriker och spårning på förfrågningnivå, så att du kan identifiera flaskhalsar, stämma förfrågningar och förstå databass påverkan på slut-användarlatens.
Enabling query timing and latency histogramsConfiguring slow query thresholds and loggingMonitoring connection pool size and saturationTracing prepared statements and ORM queriesTagging queries with tenant and feature dataLektion 3Frontend-instrumentering: metriker att fånga (sidladdning, Core Web Vitals, TTFB, FID, LCP, CLS), mäta single-page-applikationsrouting och syntetiska transaktionerDenna sektion täcker webbläsarprestandainstrumentering, inklusive Core Web Vitals, SPA-routing och syntetiska transaktioner, så att du kan fånga konsekventa frontend-metriker, upptäcka regressioner och koppla klientbeteende till backendprestanda.
Capturing Core Web Vitals in productionMeasuring TTFB, FID, LCP, CLS, and long tasksInstrumenting SPA route changes and virtual viewsModeling synthetic user flows in the frontendTagging frontend metrics with release versionsLektion 4Logg- och metrik-korrelation: strukturerade loggar, logganrikning med spår-ID:n, centraliserade logginmatningspunkterDenna sektion förklarar hur man korrelerar loggar och metrik med strukturerad loggning, spår- och spänningsidentifierare samt centraliserad inmatning. Du lär dig bygga förfrågningar och dashboards som kopplar samman händelser, prestanda och användarpåverkan.
Designing structured log schemas and fieldsEnriching logs with trace and span identifiersCentralizing log ingestion and parsing rulesLinking metrics, logs, and traces in dashboardsDefining retention and access control policiesLektion 5Backend Java (Spring Boot)-instrumentering: agentbaserad spårning, konfigurera spänner för kontrollrar, filter, databasanrop och externa HTTP/gRPCDenna sektion beskriver Java Spring Boot-instrumentering med agenter och konfiguration, täcker spänner för kontrollrar, filter, databasanrop och externa HTTP- eller gRPC-förfrågningar, för att uppnå konsekvent, lågfriktionsspårning över Java-tjänster.
Deploying Java agents in different environmentsConfiguring controller and filter span boundariesTracing JDBC, JPA, and reactive database callsInstrumenting outbound HTTP and gRPC clientsCustom spans for business and domain eventsLektion 6Distribuerad spårningsdesign: spårkontextspridning, samplingstrategier, spänningsnamngivningskonventioner och metadata/taggningDenna sektion förklarar distribuerad spårningsdesign, inklusive spårkontextspridning, samplingstrategier, spänningsnamngivningskonventioner och metadata/taggning. Du lär dig skapa konsekventa, lågöverkastspårningar som stödjer felsökning, SLO:er och beroendeanalys.
Propagating W3C trace context across servicesDesigning head and tail sampling strategiesDefining span naming rules and hierarchiesStandardizing tags for teams and environmentsManaging trace volume and retention policiesLektion 7Frontend-instrumentering: felinsamling (JS-fel, sourcemaps, hanterade promise-avvisningar) och sessions-/spårningskorrelationDenna sektion behandlar frontend-fel-instrumentering, inklusive JavaScript-fel, sourcemaps, hanterade promise-avvisningar och sessionskorrelation, så att du snabbt kan diagnostisera klientfel och koppla dem till backendspårningar.
Capturing runtime JS errors and stack tracesUploading and managing source maps securelyHandling unhandled rejections and console errorsGrouping and prioritizing frontend error eventsLinking sessions to backend traces and logsLektion 8Syntetisk övervakning och RUM: konfigurera syntetiska kassaresor och webbläsar-Real User MonitoringDenna sektion förklarar hur man designar och konfigurerar syntetiska resor och Real User Monitoring, så att du kan mäta tillgänglighet, prestanda och användarupplevelse över nyckelflöden som kassa, inloggning och kontohantering i produktion och staging.
Designing critical synthetic user journeysConfiguring browser and API synthetic checksSetting SLAs and alert thresholds for syntheticsImplementing browser RUM beacons and samplingCorrelating RUM sessions with backend tracesLektion 9Infrastrukturinstrumentering: Kubernetes-metriker (nod, pod, container), kubelet/cadvisor, kube-state-metriker och molnleverantörsmetrikerDenna sektion täcker infrastruktur-instrumentering för Kubernetes och molnplattformar, inklusive nod-, pod- och container-metriker, kubelet- och kube-state-metriker samt molnleverantörstelemetri, för kapacitetsplanering och incidenttriage.
Collecting node, pod, and container metricsScraping kubelet and cAdvisor endpointsUsing kube‑state metrics for cluster healthIntegrating cloud provider metrics and quotasBuilding SLOs for infrastructure resources