Observabilidade

Observabilidade de software: o que é e como funciona

Por RIKE IS Comunicação

Observabilidade de software é a capacidade de entender o comportamento de uma aplicação e dos serviços que a compõem a partir de traces, métricas e logs ligados por um contexto comum. Ela explica por que algo mudou, e não apenas o que quebrou, o que permite correlacionar uma degradação com a mudança e a chamada que a provocaram.

Comparar horários de deploy com horários de reclamação é um método comum, e ele falha quando dezenas de serviços publicam no mesmo dia. A observabilidade de software é o que substitui essa comparação por evidência de qual serviço e qual chamada degradaram.

Uma aplicação distribuída reúne dezenas de serviços, cada um com seu ciclo de publicações. Quando algo degrada, o time precisa saber qual serviço, qual chamada e qual mudança provocaram o problema, e sem essa resposta a investigação vira palpite.

Cada perfil chega a essa pergunta por um lado. Para o CIO, o CTO e o CEO, o que está em jogo é o risco de cada lançamento em sistemas críticos. Para o gerente de infraestrutura, é como o software consome recursos. Para o profissional DevOps, é decidir se a publicação segue ou volta atrás, e para o Site Reliability Engineer, ou SRE, é achar a causa sem adivinhar.

O que é observabilidade de software e como ela se diferencia do monitoramento

Observabilidade de software é a capacidade de entender o comportamento interno de uma aplicação e dos serviços que a compõem a partir da telemetria que eles emitem. O resultado prático é saber em qual serviço, em qual chamada e por qual mudança uma requisição ficou lenta.

Definição e o papel da telemetria

Segundo a documentação do OpenTelemetry, observabilidade é a capacidade de entender um sistema de fora, fazendo perguntas sobre ele, sem precisar conhecer o seu funcionamento interno. A matéria-prima dessas respostas é a telemetria, ou seja, os dados que um sistema emite sobre o próprio comportamento, na forma de traces, métricas e logs.

Em microsserviços, essa capacidade deixou de ser opcional por um motivo simples de verificar: nenhum engenheiro guarda na cabeça todos os caminhos que uma requisição pode percorrer entre dezenas de serviços, e o código muda com frequência.

Monitoramento diz o que quebrou, observabilidade ajuda a explicar por quê

O livro Site Reliability Engineering, do Google, define o que um bom sistema de monitoramento precisa responder: o que está quebrado, que é o sintoma, e por quê, que é a causa, possivelmente intermediária. As duas perguntas pedem coisas diferentes.

Aspecto Monitoramento Observabilidade
Pergunta que responde O que está quebrado, que é o sintoma Por quê, que é a causa, possivelmente intermediária
Como se prepara Alertas definidos de antemão, sobre sinais conhecidos Dados ricos e conectados, para perguntas não previstas na configuração
Exemplo em pagamentos Um alerta de latência alta no processamento A descoberta de que a lentidão começou com uma mudança específica, num serviço específico
Quem age com a resposta O plantão, que sabe que precisa agir O time de desenvolvimento, que decide se a publicação segue ou volta atrás

A última linha explica por que as duas capacidades não se substituem. O monitoramento mobiliza quem está de plantão, e a observabilidade mobiliza quem escreveu o código, e um incidente de software precisa dos dois.

Como funciona a observabilidade de software

O mecanismo tem três partes que se encaixam: o código passa a emitir telemetria, os sinais são ligados entre si por um contexto compartilhado e a leitura de uma degradação segue um roteiro.

Instrumentação: como o código passa a emitir telemetria

Instrumentar é fazer a aplicação emitir telemetria, como as câmeras instaladas na fábrica registram cada etapa da produção. A documentação do OpenTelemetry descreve duas abordagens.

A instrumentação sem código, ou zero-code, fornece telemetria das bibliotecas usadas e do ambiente. Serve para começar e para os casos em que o código não pode ser modificado.

A instrumentação baseada em código chama a API do OpenTelemetry dentro da própria aplicação e dá mais profundidade, nos pontos em que o negócio exige detalhe.

As duas se combinam, e é essa combinação que responde ao receio mais comum em adoções de software: dá para começar sem alterar o código e aprofundar depois, serviço a serviço, nos pontos que importam.

Os três sinais e o contexto que os liga

Um trace distribuído registra o caminho percorrido por uma única requisição por vários serviços, e cada span é uma unidade de trabalho ou operação dentro dessa requisição, com nome, dados de tempo e atributos.

As métricas são agregações, ao longo de um período, de dados numéricos sobre a infraestrutura ou a aplicação, como taxa de erros, uso de processamento e taxa de requisições. Os logs são mensagens com marca de tempo emitidas por serviços e outros componentes, e ficam mais úteis quando correlacionados a um trace ou a um span.

O que liga os sinais entre serviços é a propagação de contexto. O propagador padrão usa os cabeçalhos da especificação W3C Trace Context, e é isso que permite reconstruir o caminho completo de uma requisição. Sem ela, o trace fica incompleto e aparece o span órfão.

O roteiro de leitura de uma degradação

Confiabilidade responde se o serviço faz o que os usuários esperam, e um sistema pode estar sempre no ar e ainda assim ser pouco confiável. Por isso a medição se baseia no comportamento percebido, e não na disponibilidade do processo.

O indicador de nível de serviço, ou SLI, é a medição desse comportamento, idealmente da perspectiva do usuário, e o objetivo de nível de serviço, ou SLO, é o valor-alvo ou a faixa de valores desse indicador.

Com essas peças no lugar, ler uma degradação deixa de ser improviso e passa a seguir cinco passos.

  1. O objetivo de nível de serviço desvia, e esse desvio é o gatilho da investigação, não a reclamação do usuário.
  2. O mapa de dependências mostra por onde a requisição passa e quais serviços estão no caminho.
  3. O trace aponta a chamada que atrasou, dentro daquele caminho.
  4. As métricas e os logs correlacionados àquele span explicam o motivo.
  5. A comparação com a publicação mais recente indica se a mudança foi a origem.

O primeiro passo é o que muda a natureza do plantão. Enquanto o gatilho é a reclamação, a investigação começa depois do prejuízo, e com uma meta medida ela começa quando a margem ainda existe.

Como implementar observabilidade de software em sistemas críticos

Implementar bem pede escolhas sobre plataforma, amostragem e padronização, e uma equipe que saiba operar o resultado. Em sistemas críticos, cada escolha errada custa em tempo de investigação durante um incidente real.

Causa raiz, análise em nível de código e correlação com a publicação

Na plataforma Dynatrace, o OneAgent realiza a descoberta automática de processos e tecnologias suportadas em hosts, contêineres e ambientes de nuvem, podendo exigir configurações adicionais conforme a arquitetura, e ativa a instrumentação da pilha encontrada.

O app Distributed Tracing ingere dados de trace do OneAgent e do OpenTelemetry e os analisa sobre o Grail, o motor de armazenamento e consulta da plataforma. É possível fatiar os traces por qualquer atributo e de qualquer origem, ver exceções com stack traces e causas raiz encadeadas, e examinar os traces junto de logs, eventos de negócio e métricas.

O Smartscape apresenta uma visualização dinâmica da topologia e das dependências identificadas no ambiente monitorado, auxiliando na compreensão das relações entre os componentes e dos possíveis impactos nos serviços. É a peça que entrega o segundo passo do roteiro.

A inteligência da plataforma, chamada Dynatrace Intelligence, adota uma abordagem hipermodal, combinando capacidades de IA preditiva, causal, generativa e agêntica. A IA causal atua na identificação da causa e do contexto do problema, enquanto os dashboards organizam e tornam exploráveis os sinais operacionais.

Segundo a documentação, a análise causal agrupa eventos em problemas e marca a entidade que determinou ser a causa raiz. O problema fica salvo como registro no Grail, e o Dynatrace Query Language, ou DQL, permite perguntas exploratórias sobre ele.

Para o quinto passo do roteiro, a prática que faz diferença é simples e quase sempre esquecida: marcar cada publicação e cada mudança de configuração. Sem essa marcação, a correlação entre a degradação e o deploy depende de alguém lembrar o horário, e com ela a comparação entre o antes e o depois passa a ser uma consulta.

Em ambientes com publicações frequentes, essa marcação é o que transforma “algo mudou hoje” em “esta mudança, neste serviço, nesta chamada”.

Erros comuns e boas práticas de adoção

Sete erros se repetem de projeto em projeto.

  • Coletar tudo sem propósito, com o consumo subindo, a consulta ficando lenta e a equipe perdendo confiança nos dados.
  • Deixar os atributos sem governança: quando diferentes equipes utilizam nomes ou atributos inconsistentes para identificar o mesmo serviço, o agrupamento e a correlação dos dados podem ficar prejudicados, dificultando as análises nos dashboards da Dynatrace.
  • Gerar explosão de cardinality, com identificadores únicos por requisição usados como atributos.
  • Configurar a amostragem head-based de modo agressivo, decidindo cedo e sem olhar o trace inteiro, e perder traces de erro e de latência.
  • Deixar a propagação de contexto falhar e produzir span órfão, o que exige instrumentação manual nos pontos de entrada e saída de cada sistema.
  • Misturar dados de desenvolvimento, homologação e produção na Dynatrace sem a separação adequada dos ambientes monitorados, comprometendo a confiabilidade das informações utilizadas em auditorias.
  • Subestimar a curva de aprendizagem da equipe interna.

Sobre a amostragem, a escolha é de governança do projeto. No tail-based sampling, a decisão sobre o que preservar ocorre após informações adicionais da transação estarem disponíveis, permitindo aplicar políticas com base no resultado observado. No head-based, a decisão ocorre o mais cedo possível, com custo de operação menor.

O consumo da plataforma segue as condições do modelo de licenciamento contratado. No Dynatrace Platform Subscription, ou DPS, ele é contabilizado conforme as capacidades utilizadas. No Classic, o acompanhamento segue regras próprias, baseadas em unidades como HU, DEM, DDU e AppSec.

Cinco boas práticas seguem a mesma linha dos erros.

  • Começar pelos serviços e pelos fluxos de negócio mais críticos, com implantação em ondas.
  • Combinar instrumentação automática e baseada em código nos pontos de negócio.
  • Garantir a propagação de contexto entre serviços e nos pontos de contato entre sistemas.
  • Definir indicadores e objetivos de nível de serviço ligados à perspectiva do usuário.
  • Padronizar nomes de serviço e atributos desde a primeira onda, e não depois.

A quinta é a que mais custa quando fica para depois, porque renomear atributos exige retrabalho em painéis, alertas e consultas que já estavam em uso.

O que muda em cada setor crítico

No setor financeiro, um fluxo digital fica lento depois de uma publicação. O trace mostra qual serviço e qual chamada degradaram, e essa evidência sustenta a trilha auditável exigida de quem responde ao Banco Central e à LGPD.

Nos órgãos públicos, um portal de tributos sob pico exige achar rápido o serviço que chegou ao limite, porque o custo social e político da indisponibilidade é alto. A heterogeneidade tecnológica ali é regra.

Em cooperativas, o mesmo aplicativo atende várias praças. Painéis regionalizados mostram onde a experiência é pior e levam evidências às reuniões de governança, com a mesma qualidade na capital e na cidade pequena.

Em empresas privadas de grande porte, as publicações são frequentes e a experiência digital é diferencial competitivo. A observabilidade mostra se a mudança degradou essa experiência antes que o cliente perceba.

Perguntas frequentes sobre observabilidade de software

A Dynatrace precisa do OpenTelemetry?

Não necessariamente. O OneAgent realiza a descoberta automática nas tecnologias suportadas, e o OpenTelemetry complementa o monitoramento em cenários específicos, como aplicações serverless, componentes customizados e tecnologias sem instrumentação nativa. A plataforma permite combinar os dois quando o projeto exige maior controle ou integrações específicas, e essa é uma decisão entre abordagens técnicas dentro da mesma plataforma.

Como a experiência do usuário se liga ao back-end?

Pelo monitoramento de experiência digital. No front-end, a Dynatrace recomenda o RUM JavaScript, de real user monitoring, para a web, e o OneAgent para o mobile, e ambos se ligam aos traces de back-end pelo W3C Trace Context.

É possível ver dados no nível do código sem um novo deploy?

Sim. O Live Debugger da Dynatrace fornece dados em nível de código em tempo real, sem novos deploys nem reinícios, o que importa justamente nos sistemas em que publicar para investigar não é uma opção.

Observabilidade de software é o mesmo que APM?

Não. Uma plataforma de observabilidade reúne cinco capacidades: APM, ou Application Performance Monitoring, monitoramento de infraestrutura e cloud, DEM, ou Digital Experience Monitoring, AIOps, e compliance e governança de performance. A camada de software é a das aplicações e dos serviços, onde o APM atua, e a plataforma a cobre de traces distribuídos à análise em nível de código.

Quando o head-based sampling ainda faz sentido?

Quando a simplicidade de operação pesa mais do que capturar todos os casos raros. O head-based decide cedo e é eficiente, mas não olha o trace inteiro. O tail-based exige componentes com estado e armazenamento, e por isso a escolha acompanha a criticidade do sistema.

Como mostrar o valor da observabilidade ao conselho?

Pela capacidade de explicar degradações com evidência e de manter o serviço dentro de metas ligadas ao negócio. Segundo o OpenTelemetry, o objetivo de nível de serviço é a forma de comunicar a confiabilidade à organização, ligando os indicadores a valor de negócio.

A Rike IS atua nessas decisões. Padronizar atributos, definir a política de amostragem, marcar publicações para correlação e treinar as equipes por perfil são tarefas de projeto, e a empresa oferece consultoria, implantação, configuração, treinamento, monitoramento e governança contínua de performance sobre a plataforma Dynatrace, além de apoio operacional, investigação de incidentes e apoio à sustentação dos ambientes monitorados, conforme o escopo contratado. O atendimento alcança órgãos públicos, instituições financeiras, cooperativas e empresas privadas de grande porte, e o ponto de partida é a avaliação inicial do ambiente atual, que mapeia a maturidade e desenha o plano de implantação em ondas.

RIKE IS Comunicação

Time de comunicação da RIKE IS. Publicamos análises técnicas sobre observabilidade, performance de aplicações e conformidade em ambientes críticos, a partir da experiência em projetos com órgãos públicos e empresas privadas.

Todas as publicações