Files
clean-architecture-backend-…/docs/runbooks/job-dead-letter.md
T
DongHyeonka 0fded57cb3
pr / done (pull_request) Canceled after 0s
docs(runbooks): runbook 신호를 지금 코드가 내는 응답·로그·지표로 고친다
runbook이 코드가 내지 않는 신호로 장애를 찾게 한다. actuator·cross-tenant
runbook은 아무 코드도 내지 않는 ACTUATOR_FORBIDDEN·AUTHZ_TENANT_MISMATCH를
증상으로 적고, 없는 경보·지표·로그 칸을 적는다. auth runbook은 로그에서
token payload·Authorization 원문을 보라고 하고(남지도 않고 남겨서도 안
된다), 없는 JWKS 캐시 손잡이와 decoder가 읽지 않는 Spring issuer 키를
적는다. rate-limit·dependency runbook은 없는 gateway 지표·헤더·
CACHE_UNAVAILABLE·dependency_name 칸을, web runbook은 연산마다의 TTL,
시험 도구 GracefulShutdownProbe, 없는 tag routeTemplate, 기동이 거부하는
CORS 설정을 「기동은 된다」고 적는다. job runbook은 내는 코드가 없는
JOB_DEAD_LETTER·JOB_TIMEOUT과 job.* 지표에 경보를 걸게 한다.

각 runbook을 지금 코드가 내는 신호로 다시 쓴다: 응답 코드·헤더, 보안
로그 줄 `security failure: code=… path=…`, 요청 로그 줄, ServerFailureLog
의 고정 문구(`dependency failure classified as … dependency=<이름>`,
`persistence failure classified as …`), 실제 설정 키
APP_SECURITY_JWT_ISSUER, registry에 있는 지표. 이 템플릿에 경보 규칙이
없다는 것, 내는 코드가 없는 코드·지표는 서비스가 낼 때만 있다는 것을
적는다. 진단 순서도 고친다: actuator 노출은 관리 포트 9001로 가르고,
INTERNAL_AUTH_MISCONFIGURATION은 issuer discovery(4xx·issuer 불일치·
jwks_uri 없음은 500, 연결 실패·5xx·JSON 아님은 503)부터, 종료 예산은
웹 drain 30s + async 19s + preStop의 합으로 본다. 같은 원인의 다른
자리(경보 이름을 지어 적은 job·outbox·internal-error-spike, traceId로
적은 칸, 지적 밖 auth·dependency·db·outbox runbook, error-codes.yaml 주석,
같은 틀린 신호를 적은 shared-contract README·web README·
DependencyFailureException Javadoc)도 고치고, 본문의 리뷰 ID는 지운다.

버린 안: 선언만 있는 두 코드를 내는 WARN·counter를 새로 만들기. actuator
노출 밖 경로는 메인 chain이 401 AUTH_TOKEN_MISSING(익명)·404(인증됨)로
답해 403 상황이 없고, cross-tenant는 정한 규칙(남의 것은 404)이라 판정
자리가 서비스 코드에 있다. 새 신호는 서비스가 더할 일로 runbook에 적는다.

위험: 문서만 바뀐다. runbook은 모두 status 초안으로 둔다.
dependency-unavailable이 적은 hikaricp.connections.pending·timeout 행과
job.* 행의 emitted_when은 관측 registry 변경(같은 묶음의 다른 PR)이
더하고, auth-jwks-unavailable의 「캐시가 지난 뒤 503」은 인증 PR의 JWKS
재조회 분류 수정이 만든다. 세 PR을 함께 병합한다.

검증: python3 scripts/check-docs.py·check-work-docs.py OK, desktop
:app-bootstrap:documentContractTest :app-bootstrap:repositoryContractTest,
scripts/verify.sh pr rc=0.

Refs: RR9-02-04, RR9-02-24, RR9-04-34, RR9-04-37
2026-11-13 09:35:50 +09:00

3.8 KiB

title, category, error_codes, severity, owner, last_updated, status
title category error_codes severity owner last_updated status
Runbook — background job dead letter INTERNAL
JOB_DEAD_LETTER
P1 oncall 2026-11-13 초안

Runbook: background job dead letter (runbook://job/dead-letter)

1. Trigger

JOB_DEAD_LETTER는 enum 상수와 registry 행이 있지만 템플릿 코드는 내지 않는다. 템플릿에는 job 재시도·DLQ 실행기가 없다. job.dlq.total·job.retry.total도 서비스가 BackgroundJobMetrics.recordDeadLetter·recordRetryOutcome을 부를 때만 생긴다(meter는 처음 셀 때 등록된다). 그래서 이 runbook은 서비스가 job 재시도·DLQ를 붙이고 아래 줄과 지표를 낼 때만 쓴다. 그 전에는 이 신호로 만든 경보가 울리지 않는다. 이 템플릿은 경보 규칙을 두지 않는다.

  • 서비스가 낼 때 경보에 실을 만한 값: error.code=JOB_DEAD_LETTER, job_name, correlation_id
  • 임계: job.dlq.total > 0 for 5m (p1) — retry 소진 후 DLQ 진입은 자동 회복이 없으므로 점검 대상

2. First Response (5분 이내)

Step 1 — 확인

  1. ERROR log에서 JOB_DEAD_LETTER 라인 확인: job_name, 최종 실패 원인 예외, correlation_id 추출
  2. job.retry.total{outcome=EXHAUSTED} 추이로 DLQ 유입 규모 파악
  3. DLQ 적재 위치(향후 retry carrier 확정 시 DB 테이블/큐) 확인 — 현재 skeleton은 vocabulary 단계

Step 2 — 임시 격리

  • DLQ는 서비스가 정한 최대 시도를 다 쓴 최종 상태 — 자동 재시도 없음, 수동 개입 필수
  • 비즈니스 크리티컬 job이면 §4의 수동 처분(재처리 또는 폐기)을 우선 수행

3. Diagnosis

  • log query: {service="app"} | error.code="JOB_DEAD_LETTER" | stats count by job_name
  • metric panel: job.dlq.total{job_name}, job.retry.total{job_name, outcome}
  • 최종 실패 원인 분류:
    • poison input(직렬화/계약 위반) → 입력 결함, 재처리해도 실패 — 수정 후 재처리 또는 폐기
    • 외부 의존성 장기 outage 중 attempts 소진 → 의존성 회복 후 재처리로 해결 가능
    • non-transient error(권한/도메인/스키마)인데 retry된 경우 → 분류기 보강 필요(WAF-REL05-C3: 즉시 DLQ가 정답)

4. Mitigation (수동 처분 — 둘 중 하나)

  • 재처리 (기본): 원인 해소 후 해당 job을 다시 enqueue. 다시 넣어도 안전한지는 그 job이 멱등한지(서비스가 정한 dedupe key)에 달렸다. 멱등이 아니면 먼저 부작용이 이미 났는지 확인한다
  • 폐기 (영구): 작업이 더 이상 유효하지 않으면 DLQ에서 제거. ⚠ 비즈니스 오너 승인 후에만 수행하고 incident 기록에 남김
  • 장기: poison input 재발 방지(입력 계약 테스트 보강), non-transient error는 retry 없이 즉시 DLQ로 분류

5. Escalation

  • 처분 판단(재처리 vs 폐기)이 불가하면 해당 job의 비즈니스 오너에게 escalate
  • DLQ 누적이 특정 job_name에 집중되면 해당 job 코드 오너에게 page

6. Recovery / Verification

  • 회복 확인: job.dlq.total 증가 멈춤, 재처리분의 소비자 dedupe 동작 확인
  • post-incident: DLQ 원인 분류 기록, 같은 원인의 재발 방지 테스트 추가

Stub 상태 안내: 이 runbook은 skeleton 단계의 stub. retry carrier(Spring Retry / Resilience4j / 자체) 확정 후 DLQ 저장소·재처리 절차 보강 필요.