dead_letter_queue（死信队列）

dead_letter_queue

Cola de mensajes fallidos (DLQ) para capturar tareas del pipeline KYC que exceden el numero maximo de reintentos, como inferencia facial fallida, OCR timeout o errores de liveness detection. Permite analisis post-mortem de fallos recurrentes y re-procesamiento manual o automatizado de tareas recuperables.

When to use

Usa esta skill cuando trabajes con el worker_pool_agent y necesites implementar o configurar el manejo de tareas fallidas en el pipeline de verificacion de identidad. Aplica cuando tareas criticas (face_match, OCR, liveness) fallan repetidamente y necesitas capturarlas en lugar de perderlas.

Instructions

1. Definir la configuracion de reintentos maximos por tipo de tarea en la configuracion de Celery: # backend/modules/worker_pool/celery_config.py TASK_MAX_RETRIES = {"face_match": 3, "ocr_extraction": 5, "liveness_detection": 3, "doc_processing": 4,}
2. Crear el modelo de base de datos para almacenar tareas en la DLQ: # backend/modules/worker_pool/models/dead_letter.py class DeadLetterEntry(Base): __tablename__ = "dead_letter_queue" id = Column(UUID, primary_key=True, default=uuid4) task_name = Column(String, nullable=False) task_id = Column(String, unique=True, nullable=False) args = Column(JSON) kwargs = Column(JSON) exception = Column(Text) traceback = Column(Text) retry_count = Column(Integer) created_at = Column(DateTime, default=datetime.utcnow) status = Column(String, default="pending") # pending, reprocessed, discarded
3. Implementar el handler de task_failure que envia tareas agotadas a la DLQ: from celery.signals import task_failure @task_failure.connect def handle_task_failure(sender, task_id, exception, args, kwargs, traceback, einfo, **kw): if sender.request.retries >= TASK_MAX_RETRIES.get(sender.name, 3): DeadLetterEntry.create(task_name=sender.name, task_id=task_id, args=args, kwargs=kwargs, exception=str(exception), traceback=str(einfo), retry_count=sender.request.retries,)
4. Crear endpoint API para consultar y gestionar la DLQ: # backend/api/routes/dead_letter.py @router.get("/dlq/entries") async def list_dlq_entries(status: str = "pending", limit: int = 50): return await DeadLetterEntry.filter(status=status).limit(limit).all() @router.post("/dlq/entries/{entry_id}/reprocess") async def reprocess_entry(entry_id: UUID): entry = await DeadLetterEntry.get(id=entry_id) celery_app.send_task(entry.task_name, args=entry.args, kwargs=entry.kwargs) entry.status = "reprocessed" await entry.save()
5. Implementar un job periodico que analice patrones de fallo en la DLQ: @celery_app.task(name="dlq_analysis") def analyze_dlq_patterns(): recent = DeadLetterEntry.filter(created_at__gte=datetime.utcnow() - timedelta(hours=1)).all() failure_counts = Counter(e.task_name for e in recent) for task_name, count in failure_counts.items(): if count > ALERT_THRESHOLD: send_alert(f"DLQ: {task_name} tiene {count} fallos en la ultima hora")
6. Configurar alertas y metricas de la DLQ para monitoreo: DLQ_METRICS = {"dlq_entries_total": Counter("dlq_entries_total", "Total DLQ entries", ["task_name"]), "dlq_reprocessed_total": Counter("dlq_reprocessed_total", "Reprocessed entries", ["task_name"]),}
7. Implementar politica de retencion para limpiar entradas antiguas de la DLQ: @celery_app.task(name="dlq_cleanup") def cleanup_old_entries(retention_days: int = 30): cutoff = datetime.utcnow() - timedelta(days=retention_days) DeadLetterEntry.filter(created_at__lt=cutoff, status="discarded").delete()

Notes

• Las entradas de la DLQ deben anonimizar datos biometricos y personales segun GDPR/LOPD; almacenar solo referencias de sesion, nunca imagenes ni embeddings faciales.
• El re-procesamiento manual desde la DLQ debe pasar por las mismas validaciones antifraude que el flujo original para evitar bypass de seguridad.
• Monitorear el crecimiento de la DLQ como indicador de salud del sistema: un incremento sostenido indica problemas sistemicos en el pipeline que requieren atencion inmediata.