Стоимость минуты простоя в iGaming может приводить к миллионам упущенной прибыли и более тяжелым репутационным потерям. Когда real-time ставки замирают, а букмекерские терминалы уходят в ступор - это не просто баг. Это экзамен на зрелость команды и процессов. Что мы делаем после - определяет, повторится ли он снова.

Пролог: инцидент в iGaming

iGaming-платформа "OneBet" только что выкатала обновление SignalR-сервиса. Этот сервис отвечает за real-time каналы:

• live‑ставки на сайте,

• матч‑трекеры,

• трансляции коэффициентов в букмекерские офисы.

Через 6 часов после релиза:

• real‑time данные отваливаются каждые 3–5 минут,

• на сайте — зависание матчей,

• в терминалах клубов — недоступные экраны ставок,

• техподдержка завалена тикетами,

• VIP‑клиенты жалуются.

Первые действия: перезапуск сервиса по крону каждые 10 минут. Симптомы уходят на 7 минут, потом всё по новой.

Менеджмент требует отчёт. Команда - в панике. Первое, что делают - обвиняют релиз. И пишут отчёт в духе "проблема с новой версией, всё сломалось". Только это - не отчёт. Это эмоции.

Почему отчёты "на коленке" не работают

Просто перечислить "что произошло" - недостаточно.
Нужно докопаться до корневой причины, а не остановиться на симптоме.
Один из самых простых и действенных инструментов - техника 5 Why.

Задавай "почему?" не один, а пять раз - и каждый раз глубже, чтобы добраться до системной причины, а не тушить очередной пожар.

Пример:

• ❓ Почему real-time замирает на проде?
  → Потому что SignalR-сервис уходит в OOM.

• ❓ Почему возникает OOM?
  → Потому что память заполняется неосвобождёнными WebSocket-сессиями.

• ❓ Почему сессии не очищаются?
  → Потому что не срабатывает OnDisconnectedAsync.

• ❓ Почему этот обработчик перестал работать?
  → Потому что в новой версии поменяли логику соединений.

• ❓ Почему это не было замечено до релиза?
  → Потому что на такие изменения не было тестов и они не попали в код-ревью.

И только на пятом "почему" становится видно: проблема не в коде, а в процессе, в котором real-time изменения попадают в прод без надлежащей проверки.

Как подойти системно: DMAIC

Используем проверенный фреймворк из Six Sigma - DMAIC:

1. Define (Определить)

Проблема:
После релиза SignalR-сервиса происходит утечка памяти и, как следствие, падение real-time функциональности на проде.

Бизнес-эффект:

• Потери ставок в live-режиме

• 50+ недоступных офисов (касс)

• Ущерб репутации в high-stakes сегменте

2. Measure (Измерить)

• Время до деградации: ~18 минут

• Рост памяти: с 400 МБ до 12+ ГБ

• Обращений в поддержку : 134 за сутки

• Кол-во пострадавших стран: 3

• Время стабилизации: 2.5 дня

3. Analyze (Анализировать)

Использованные инструменты:

• DotMemory: утечка в HubConnectionContext

• Kibana Logs: резкий рост подключений

• 5 Whys:

  • Почему падает? Out of Memory

  • Почему? WebSocket-сессии не освобождаются

  • Почему? OnDisconnectedAsync не отрабатывает

  • Почему? Изменена логика, не покрытая тестами

  • Почему? В релиз пошло срочное изменение без ревью

4. Improve (Улучшить)

• Добавлена очистка при дисконнекте

• Написан unit-тест на HubConnectionTracker

• Внедрён memory snapshot на pre-prod

• Добавлен чеклист: любые real-time изменения требуют нагрузочного теста

5. Control (Контроль)

• Мониторинг утечек и графики памяти по умолчанию

• SignalR-service вынесен в отдельный релизный поток

• Пост-инцидент отчёты стали обязательными

• Регламент дополнен требованием к real-time покрытию

А можно было предвидеть? Да! Через FMEA

Перед релизом можно (и нужно) проводить анализ рисков FMEA (Failure Mode and Effects Analysis):

Как читать:

• Первый риск - утечка памяти:

  • Очень опасный (9),

  • Вполне вероятный (6),

  • Трудно обнаружить заранее (7).
    RPN = 378 - красная зона. Это блокер, с ним надо работать до релиза.

• Второй риск - отсутствие stage-нагрузки:

  • Тоже серьёзный, но менее вероятный.

• Третий риск - откат:

  • Возможен, но более контролируемый.

Сценарий с RPN = 378 - явный блокер релиза. Его можно было найти заранее - при наличии культуры FMEA.

Мозговой штурм: Fishbone Diagram

Проблема: сервис уходит в OOM
Причины:

• Люди - срочная задача сделана, без code review

• Процессы - real-time фичи тестируются как обычные

• Технологии - нет CI-профилирования на утечки

• Среда - нет stage, схожего с реальным продом

Пример зрелого отчёта об инциденте

## Incident Summary
Date: 2025-07-10  
Component: SignalR Real-Time Service  
Impact: Real-time channels crashed across web and retail environments

## Root Cause
Unreleased WebSocket sessions caused memory leak and OOM errors. OnDisconnectedAsync handler failed to trigger due to internal refactoring.

## Fixes
- Dispose logic added
- DotMemory test on CI
- Unit coverage for SignalR disconnect flow

## Preventive Actions
- FMEA introduced before real-time changes
- Real-time code review policy
- Monitoring and alerts on memory thresholds

Что помогло в решении:

Выводы

• Хороший RCA — это не поиск виноватых, а поиск корня проблемы.

• Использование фреймворков DMAIC, FMEA, Fishbone помогает не просто анализировать, а улучшать процессы.

• Главное — не просто «фиксить баг», а менять условия, при которых он стал возможен.