aramesh-backend/monitoring/prometheus/alerts.yml

# قواعد هشدار — از Prometheus به Alertmanager (تلگرام) می‌روند.
# آستانه‌ها محافظه‌کارانه‌اند؛ پس از یک هفته داده، دقیق‌تر تنظیم کنید.

groups:
  - name: aramesh-availability
    rules:
      - alert: ServiceDown
        # سرویس‌های دارای متریک (backend/traefik/exporters) — بقیه با ProbeFailing پوشش می‌شوند
        expr: up == 0
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "{{ $labels.job }} پاسخ نمی‌دهد"
          description: "سرویس {{ $labels.job }} ({{ $labels.instance }}) حداقل ۲ دقیقه پایین است."

      - alert: ProbeFailing
        expr: probe_success == 0
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "پروب {{ $labels.job }} ناموفق است"
          description: "سرویسِ پشت پروب {{ $labels.instance }} حداقل ۲ دقیقه پاسخ نمی‌دهد."

      - alert: BackendHealthFailing
        expr: probe_success{job="blackbox-internal-health"} == 0
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "بررسی عمق سلامت بک‌اند شکست می‌خورد"
          description: "‏/api/health اتصال DB یا MinIO را آزموده و 503 برگردانده — وابستگی‌ها را ببینید."

      - alert: PublicSiteDown
        expr: probe_success{job="blackbox-public"} == 0
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "سایت از مسیر عمومی در دسترس نیست"
          description: "پروب {{ $labels.instance }} ناموفق است — Traefik/TLS/DNS را بررسی کنید."

  - name: aramesh-resources
    rules:
      - alert: HostDiskAlmostFull
        # Docker Desktop/WSL سوارهای تکراری می‌سازد — فقط مسیرهای واقعی دیده می‌شوند
        expr: |
          1 - (node_filesystem_avail_bytes{fstype!~"tmpfs|overlay|squashfs", mountpoint!~"/run/desktop.*|/parent-distro.*|/usr/lib/wsl.*|/mnt/wsl.*"} / node_filesystem_size_bytes{fstype!~"tmpfs|overlay|squashfs", mountpoint!~"/run/desktop.*|/parent-distro.*|/usr/lib/wsl.*|/mnt/wsl.*"}) > 0.85
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "دیسک میزبان پر می‌شود"
          description: "پرشدن بیش از ۸۵٪ روی {{ $labels.mountpoint }} — پشتیبان‌ها و لاگ‌ها را بررسی کنید."

      - alert: HostMemoryPressure
        expr: node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes < 0.1
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "RAM میزبان رو به تمام‌شدن است"
          description: "کمتر از ۱۰٪ حافظه باقی مانده است."

      - alert: ContainerMemoryNearLimit
        expr: |
          (container_memory_usage_bytes{image!="", container!=""}
            / container_spec_memory_limit_bytes{image!="", container!=""} > 0.9)
          and (container_spec_memory_limit_bytes{image!="", container!=""} > 0)
        for: 10m
        labels:
          severity: warning
        annotations:
          summary: "کانتینر {{ $labels.container }} به سقف حافظه نزدیک است"

  - name: aramesh-app
    rules:
      - alert: Http5xxRateHigh
        expr: |
          sum(rate(http_request_duration_seconds_count{status=~"5.."}[5m])) by (instance)
            / sum(rate(http_request_duration_seconds_count[5m])) by (instance) > 0.05
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "نرخ خطای 5xx بک‌اند بالاست"

      - alert: Proxy5xxRateHigh
        expr: |
          sum(rate(traefik_service_requests_total{code=~"5.."}[5m])) by (service)
            / sum(rate(traefik_service_requests_total[5m])) by (service) > 0.05
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "نرخ خطای 5xx روی سرویس {{ $labels.service }} پشت Traefik بالاست"

      - alert: HighBackendLatency
        expr: histogram_quantile(0.95, sum(rate(http_request_duration_seconds_bucket[5m])) by (le)) > 2
        for: 10m
        labels:
          severity: warning
        annotations:
          summary: "p95 تأخیر بک‌اند بالای ۲ ثانیه است"

      - alert: PostgresTooManyConnections
        expr: sum(pg_stat_activity_count) > 80
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "تعداد اتصال‌های Postgres نزدیک سقف است"

      - alert: TlsCertExpiringSoon
        expr: traefik_tls_certs_not_after - time() < 1209600
        labels:
          severity: warning
        annotations:
          summary: "گواهی TLS کمتر از ۱۴ روز اعتبار دارد"
          description: "تمدید خودکار Let's Encrypt کار نکرده — ACME/TLS را بررسی کنید."

      - alert: BackupStale
        expr: time() - backup_success_time > 93600
        for: 30m
        labels:
          severity: critical
        annotations:
          summary: "آخرین پشتیبان موفق بیش از ۲۶ ساعت پیش است"
          description: "کرون/اسکریپت پشتیبان‌گیری یا سرویس db-backup خفته — فوراً بررسی کنید."