Observabilidade e monitoramento, métricas, logs e traces

Do zero

O painel do carro avisa quando algo já previsto dá errado: luz do óleo acesa, combustível na reserva. Isso é monitoramento: acompanhar perguntas que já sabemos fazer (“o sistema está no ar?”, “o disco está cheio?”).

Agora imagine um barulho novo no motor. O painel não tem luz para isso. O mecânico precisa olhar, medir, seguir o caminho do barulho. Observabilidade é o sistema dar ao time sinais suficientes para entender por que algo está estranho, inclusive quando ninguém pensou no problema antes.

Esses sinais, a telemetria, vêm em três tipos, os três pilares:

• Métricas: números ao longo do tempo, como o velocímetro. Requisições por segundo, tempo de resposta, taxa de erros, uso de CPU.
• Logs: o diário de bordo. Cada evento, com data, hora e detalhes: “14h02, erro ao consultar o banco, 3,8 segundos”.
• Traces: o rastro de uma viagem. Mostra o caminho de uma requisição por todos os serviços que ela atravessou, e quanto tempo ficou em cada um.

Instrumentação é pôr os sensores: o código ou o agente que gera esses sinais. E um alerta é a luz no painel: dispara quando um indicador passa do limite combinado.

Frase para guardar: métrica diz que algo mudou, trace mostra onde, log explica o porquê; monitoramento responde ao previsto, observabilidade permite investigar o imprevisto.

Em 1 minuto

• Quatro sinais de ouro (do livro de SRE do Google): latência (tempo de resposta), tráfego (volume de requisições), erros (taxa de falhas) e saturação (quão cheio está o recurso).
• Percentis: o p99 de 2 segundos quer dizer que 99% das requisições levaram até 2 segundos. A média esconde os usuários mais prejudicados; acompanhe p95 e p99.
• SLI, SLO e SLA: o SLI é o indicador medido (porcentagem de requisições com sucesso em menos de 300 ms); o SLO é o objetivo interno para ele (99,9% no mês); o SLA é o acordo formal com o cliente, em geral com penalidade. O orçamento de erros é a folga que o SLO permite (100% − 99,9% = 0,1%).
• Logs estruturados (em JSON, com campos fixos) e com níveis (DEBUG, INFO, WARN, ERROR); sem senhas, tokens ou dados pessoais completos.
• Correlação: um trace ID propagado entre os serviços e gravado em cada log liga métricas, logs e traces da mesma requisição. Na operação, correlação de eventos é agrupar alertas que têm a mesma causa (um switch que cai gera dezenas de alertas).
• Bons alertas avisam sobre sintomas que afetam o usuário (erros, lentidão, SLO em risco), têm um responsável e uma ação; alertas demais geram fadiga, e os importantes passam despercebidos.
• Ferramentas: OpenTelemetry (padrão aberto de instrumentação e coleta), Prometheus (métricas, que ele busca nos alvos), Grafana (painéis), Elastic Stack ou Loki (logs), Jaeger ou Tempo (traces) e Zabbix (monitoramento de infraestrutura).

Exemplo concreto: o portal lento das 14h

1. A métrica avisa. O painel mostra o p99 do tempo de resposta do portal saltando de 300 ms para 4 s, e a taxa de erros indo de 0,1% para 2%. O alerta de SLO em risco dispara para o plantão.
2. O trace aponta onde. Um trace de uma requisição lenta mostra os trechos (spans): portal 20 ms → API 30 ms → serviço de processos 3,9 s, dos quais 3,8 s na consulta SELECT … FROM processo.
3. O log explica. Filtrando os logs pelo trace ID daquela requisição:

{"ts": "2026-11-04T14:02:11Z", "nivel": "ERROR", "servico": "processos",
 "trace_id": "4bf92f3577b34da6a3ce929d0e0e4736", "msg": "tempo esgotado na consulta", "duracao_ms": 3800}

4. A causa. O horário bate com a implantação das 13h50, registrada no painel como evento de deploy: a migração daquela versão removeu um índice da tabela de processos. A equipe recria o índice, o p99 volta a 300 ms e o caso vira uma lição: a revisão de migrações passa a checar índices.

Sem os três sinais ligados pelo trace ID, a equipe saberia só que “o portal está lento”, sem saber onde nem por quê.

Comparação: sinais, indicadores e ferramentas

Como a FCC cobra

• Sinais de ouro: latência, tráfego, erros e saturação.
• Percentis × média.
• Instrumentação e OpenTelemetry; correlação por trace ID.
• Boas práticas de alerta e de log.

Pegadinhas

Explique com suas palavras

Explique a um gestor como métricas, traces e logs ajudaram a achar a causa da lentidão do portal, e o que significa o SLO de 99,9%.

1. Escreva sem olhar a lição, com frases curtas e um exemplo seu.
2. Onde travar ou precisar de jargão, há uma lacuna: releia só essa parte.
3. Compare com a explicação-modelo e reescreva o que faltou.

Sua explicação

Fica salva neste navegador.

Comparar com uma explicação-modelo

A métrica foi o alarme: o painel mostrou que o tempo de resposta tinha subido muito e que os erros tinham aumentado. Mas ela só diz que algo mudou. O trace mostrou o caminho de uma das requisições lentas e onde ela ficou parada: quase quatro segundos numa consulta ao banco. Os logs daquela mesma requisição, achados pelo número que a acompanha de ponta a ponta, mostraram o erro exato: tempo esgotado na consulta. O horário coincidia com a atualização das 13h50, que tinha apagado um índice.

O SLO de 99,9% é a meta que a equipe assumiu: em cada mês, 99,9% das requisições precisam ser atendidas com sucesso e em menos de 300 ms. A folga é de 0,1% das requisições, o orçamento de erros. Se a meta fosse de tempo no ar, 0,1% de um mês de 30 dias dariam uns 43 minutos fora do ar. Se a folga acaba, a equipe para de lançar novidades e cuida da estabilidade.

Teste-se

Mais duas questões deste tópico estão em Questões.

Flashcards gerados

Ligação com o estudo de caso

Num caso sobre a disponibilidade de um sistema, proponha: instrumentação com OpenTelemetry nos serviços; métricas dos sinais de ouro em painéis; logs estruturados, centralizados e sem dados sensíveis; traces com o trace ID propagado; SLOs definidos com a área de negócio (por exemplo, 99,9% das requisições em menos de 300 ms); e alertas sobre o consumo do orçamento de erros, com plantão e roteiro de resposta.

Fontes da lição

• Edital nº 01/2026, Anexo II, DevOps, Plataforma de Desenvolvimento e Engenharia de Entrega (fontes/edital-01-2026.txt).
• Betsy Beyer e outros, Site Reliability Engineering (Google): sinais de ouro, SLI, SLO e alertas.
• Documentação do OpenTelemetry (métricas, logs, traces e propagação de contexto).
• Documentação do Prometheus.