homelab-codex-ws/docs/sessions/2026-07-15.md

Sesja 2026-07-15 — Prometheus cutover Etap 2 (analiza GO) + domknięcie rodziny bugów event-pipeline/checkpoint

Kontekst

Kontynuacja projektu cutoveru liveności floty na Prometheus (start 2026-06-22, Etap 0 2026-07-06, Etap 1 shadow-read wdrożony). Równolegle: domknięcie rodziny bugów event-pipeline/checkpoint zapoczątkowanej fixem d5139c9 (2026-07-14).

ZROBIONE

1. fix(observer) d5139c9 — checkpoint po timestampie, nie ścieżce leksykalnej

ROOT CAUSE cichej ~34-dniowej "śmierci" PIHA dla observera: plik evt-unknown-<ts>-... leksykalnie większy niż evt-piha-<ts>-... ("p" < "u") zatruł checkpoint węzła — każdy nowy event PIHA uznawany za starszy i pomijany na zawsze. Fix: checkpoint = ostatnio przetworzony TIMESTAMP (int epoch), parsowany z nazwy evt-<node>-<ts>-... (fallback mtime, nigdy 0 dla istniejącego pliku — 0 = leksykalne "starszy niż checkpoint" = dokładnie ten poison), migracja starych path-checkpointów przy starcie. Zdeployowany na VPS (observer StartedAt 07-14). Zweryfikowany dziś jako kompletny i zdeployowany. Szczegóły: docs/backlog.md (sekcja "Bug: checkpoint observera po ścieżce leksykalnej").

2. docs(infra) analiza Etapu 2 shadow-run (Fable, 8fec62d)

docs/infra/prometheus-shadow-etap2-analiza-2026-07-15.md — 165 mismatchy SHADOW_LIVENESS_MISMATCH solaria/lustro w dobie 2026-07-14 WYJAŚNIONE: dwa nocne wyłączenia węzłów (lustro 21:30 UTC — regularny power-off, solaria 21:34 UTC). Wzorzec event=fresh prom=down to nie "żywy węzeł niewidziany przez Prometheusa", tylko martwy węzeł wykryty przez Prometheus w ≤45 s, podczas gdy tor eventowy potrzebował pełnych 600 s TTL (last_seen_age rósł monotonicznie 29→597 s; mismatche ustają dokładnie na granicy TTL-dead).

Werdykt: żaden z 165 mismatchy nie jest błędem Prometheusa — Prometheus był w każdym przypadku szybszy i miał rację. Rekomendacja Etap 3: GO:

• vps, piha (always-on) — bez zastrzeżeń, 84 h ciągłego up==1, 0 mismatchy.
• solaria, lustro (intermittent) — prom=down przy wyłączeniu jest prawdziwy, NIE dyskwalifikuje z cutoveru; planowe okna off → wątek anomaly detection (osobny, niezależny, nieblokujący).
• Mapping: prom-last_seen = timestamp(up) wpuszczone w istniejące compute_liveness (potwierdzenie rekomendacji z recon).

Ograniczenie dowodowe: twarde logi docker pokrywają tylko ~20 h (recreate kontenera 07-14 16:30 skasował wcześniejsze) — wnioski podparte pośrednio 84 h historii up{} + eventami przejść od 07-11; formalne "GO" czeka na ~7 dni czystych danych z trwałego logu (pkt 3 niżej), cel ~2026-07-20.

3. feat(observer) 9e7ed3e — trwały log SHADOW_LIVENESS_MISMATCH

Zapis do /opt/homelab/logs/observer/shadow-liveness.log (RotatingFileHandler 5MB×5, osobny logger observer.shadow, propagate=False, mismatch idzie i do stdout, i do pliku) — przeżywa docker recreate (recreate 07-14 zjadł materiał dowodowy analizy z pkt 2, stąd konieczność tego fixu). Świadomie bez nowego mountu (footgun: Docker tworzy brakujący bind-source jako root, uid 1000 nie miałby prawa zapisu) — wykorzystany istniejący mount /opt/homelab. Fail-safe: błąd zapisu do pliku nie wywala observera. Zdeployowany, potwierdzony (test lustro niżej wylądował w pliku, 162 KB).

4. Test kontrolowany event=dead / prom=up (lustro/pimirror2, 100.99.85.73)

Zatrzymano node-agenta na żywym węźle (host up, eventy przestają płynąć) → observer po TTL uznaje węzeł za dead → shadow zalogował node=lustro event=dead prom=up DO TRWAŁEGO PLIKU. Waliduje drugi kierunek rozbieżności (nie wystąpił naturalnie w oknie analizy z pkt 2) razem z działaniem trwałego logu na realnym zdarzeniu. Node-agent przywrócony po teście. Dostęp do lustro: tylko pi@ (hasło) — klucz oskar z SOLARII nieautoryzowany na tym hoście; hostname faktyczny pimirror2.

5. fix(ha-diag) f2ba81b — node_name z env + fail-fast na "unknown"

ŹRÓDŁO trucizny checkpointu z pkt 1: config.py Field(default="unknown", validate_default=True) + validator odrzucający ""/"unknown"; main.py → SystemExit(1) FATAL przy braku NODE_NAME; EventEmitter.__init__ jako ostatnia bramka przed nazwą pliku eventu. +18 testów, 0 regresji. Zmergowany i zdeployowany na PIHA (agent Up healthy po rebuild — NODE_NAME=piha dochodzi do procesu). Pliki evt-unknown-* na VPS/PIHA: 0 (potwierdzone).

6. docs(backlog) c858dbc — bug deploy-node.sh brak --build

Deploy raportuje "OK", ale dla serwisów z Dockerfile bez zmiany compose/env kontener zostaje na starym obrazie (Docker cache'uje po tagu, nie po zawartości src/) — cicha rozbieżność repo↔runtime. Ugryzło dwa razy: fleet-prometheus (config nie wchodził bez --force-recreate) i ha-diag-agent dziś (fix z pkt 5 był w repo, Running zamiast rebuild — wymagał ręcznego docker compose up -d --build --force-recreate). Fix pozostaje TODO w backlogu.

STAN CUTOVERU

• Etap 0 (dowód bojowy Prometheus→watchdog→Telegram): ✅ zamknięty (07-06).
• Etap 1 (shadow-read, observer czyta oba źródła, nic nie przełącza): ✅ wdrożony.
• Etap 2 (parallel-run + analiza zgodności): TRWA. Dane po fixach z pkt 1 i 3 czyste; analiza z pkt 2 gotowa z rekomendacją GO, ale formalnie czeka na dłuższe okno trwałego logu (cel ~2026-07-20).
• Etap 3 (przełączenie per-węzeł, PROM_LIVENESS_NODES) — czeka na domknięcie Etapu 2.

NASTĘPNE (po ~2026-07-20)

• Etap 3 per-node: najpierw solaria,lustro, potem vps,piha (kolejność z recon, minimalizacja blast-radius).
• Watchdog na sam Prometheus (SPOF po cutoverze — dziś nikt nie alarmuje o jego śmierci; mem_limit 512m + oom_score_adj 200 czynią go ubijalnym przed control-plane).
• deploy-node.sh --build (pkt 6 / backlog c858dbc).
• Observer powinien odrzucać/kwarantannować event, którego node w treści ≠ katalog docelowy (druga warstwa obrony po fixie z pkt 5).

Wnioski

• Rodzina bugów uid/gid + checkpoint + node_name to jeden motyw: "ścieżka/nazwa pliku ≠ tożsamość". Checkpoint leksykalny po ścieżce (pkt 1), plik evt-unknown-* lądujący w cudzym katalogu (pkt 5), stary tech-debt uid/gid per-host (backlog 2026-07-10) — wszystkie trzy to ten sam wzorzec: system ufa POŁOŻENIU/NAZWIE zamiast jawnie zweryfikowanej tożsamości, i cichnie zamiast fail-fastować, gdy te się rozjadą. Fix z pkt 5 domyka jeden konkretny wektor (NODE_NAME nieustawione → fail-fast), ale ogólny wzorzec (observer nie waliduje node w evencie względem katalogu) zostaje jako TODO.
• deploy-node.sh bez --build to osobny, ortogonalny motyw "cicha rozbieżność deploy↔runtime" — nie dotyczy tylko configów (backlog 2026-06-26), ale też kodu; ugryzło dwa razy w jednym dniu dzisiejszej sesji.
• Trwały log (pkt 3) był koniecznym fixem, nie kosmetyką — recreate kontenera observera 07-14 skasował materiał dowodowy w trakcie samej analizy Etapu 2; bez trwałego logu każdy kolejny recreate zerowałby okno danych i cofał kryterium "≥7 dni czystych danych" do zera.
• Równoległe sesje CC dopisują commity do mastera w trakcie pracy — commity f57a01a/38cb204 (ollama/SOLARIA) wylądowały między f2ba81b i 9e7ed3e w historii, mimo że nie są częścią tego wątku. Nie spowodowało konfliktu tym razem (worktree bazował na commicie sprzed rozjazdu, fast- forward czysty), ale potwierdza zasadę z CLAUDE.md: przed push zawsze ff-check + rebase, nie zakładać, że master stoi w miejscu.
• Terminal gubił wklejki blokami podczas sesji (drobna operacyjna uciążliwość, bez wpływu na wynik) — odnotowane jako obserwacja, nie bug do śledzenia.

Hashe sesji: d5139c9, 8fec62d (analiza Fable), 9e7ed3e, f2ba81b, c858dbc.