Monitoramento, logs e observabilidade: modelo mental e decisões

O problema e por que importa

Observabilidade permite investigar estados internos a partir de sinais externos; monitoramento acompanha condições conhecidas. Logs, métricas e traces respondem perguntas diferentes e só ganham valor quando podem ser correlacionados à jornada do usuário.

Quando a OS 742 fica “sincronizando”, a pergunta é: em qual etapa o tempo foi gasto, qual tentativa afetou o ERP e o usuário recebeu um estado coerente? Um dashboard verde de CPU não responde isso.

Vocabulário antes das siglas

• telemetria: dados emitidos por um sistema para permitir observação e análise de seu comportamento.
• log estruturado: evento registrado com campos estáveis e pesquisáveis, não apenas texto livre.
• métrica: medida numérica agregável ao longo do tempo.
• trace: representação do caminho de uma operação através de componentes distribuídos.
• span: unidade temporizada de trabalho dentro de um trace, com relações e atributos.
• correlação: ligação entre sinais da mesma jornada por identificadores e contexto controlados.
• cardinalidade: quantidade de combinações distintas de valores em um atributo de telemetria.
• dashboard: visão organizada de sinais para responder a perguntas operacionais específicas.
• alerta: notificação acionável disparada por condição que exige decisão ou resposta.
• SLI: service level indicator; medida observada de um aspecto da qualidade do serviço.
• SLO: service level objective; objetivo para um SLI durante uma janela definida.

Trace explica uma jornada; métrica mostra tendência; log fornece detalhe de evento. Nenhum sinal deve carregar segredos, e alta cardinalidade sem propósito pode tornar a observação cara ou inutilizável.

Modelo mental

monitoramento responde perguntas previstas; observabilidade permite investigar perguntas novas a partir de bons sinais. A analogia ajuda a localizar responsabilidades; ela deixa de valer quando esconde concorrência, falhas parciais ou atores maliciosos. Software distribuído não tem uma única percepção de tempo nem sucesso: uma resposta pode se perder depois de um efeito ter ocorrido.

Fronteira e responsabilidade

Cada componente propaga um contexto de correlação confiável, emite eventos estruturados e mede operações relevantes. A camada de observação agrega sem alterar o comportamento do domínio. Identificadores de usuário ou OS são tratados conforme privacidade e cardinalidade.

Alertas devem apontar impacto, responsável e runbook. SLOs nascem de jornadas; error budget conecta confiabilidade a ritmo de mudança. Registrar tudo não é observabilidade: é custo e risco sem pergunta definida.

Decisão orientada por risco

Pergunta de projeto	Decisão inicial	Evidência exigida
Que pergunta responder?	Começar pela jornada e hipótese	Dashboard conduz a uma decisão
Qual SLI usar?	Sucesso e latência percebidos pelo usuário	Janela e unidade estão explícitas
Quando alertar?	Quando ação humana pode reduzir impacto	Alerta tem owner e runbook
Quanto reter?	Por finalidade, custo e obrigação	Expurgo e acesso são auditados

A alternativa mais complexa só é promovida quando essa evidência mostra que a solução atual não atende ao risco. A decisão registra também custo operacional, forma de reversão e responsável.

Caso real: manutenção conectada ao ERP

O eletricista conclui a OS 742. O sistema valida identidade, unidade, estado atual e evidências; persiste a mudança; registra auditoria; publica a integração; informa “sincronização pendente” se o ERP não responder. A decisão deste livro aparece ao inferir o estado interno do sistema por sinais correlacionados e acionáveis. O sucesso não é apenas HTTP 200: banco, usuário, fila, ERP e telemetria precisam convergir para um estado conhecido.

Falha orientadora

milhões de logs sem correlation ID e métrica por user_id explodem custo e cardinalidade. Trate a falha como cenário de projeto, não exceção improvável. O controle principal é OpenTelemetry, semantic conventions, redaction, sampling, SLOs e alertas por sintoma. Seu teste deve falhar antes do controle e passar depois dele.

Segurança, privacidade e custo

• Remova tokens, senhas e payloads pessoais antes da emissão, não depois da indexação.
• Controle acesso e retenção de telemetria como dados de produção.
• Proteja identificadores de correlação contra injeção e não confie em valores externos sem normalização.
• Monitore o próprio pipeline de telemetria para evitar silêncio durante incidentes.

O manual de Cybersecurity aprofunda threat modeling, identidade, proteção de dados, supply chain e resposta a incidentes; os controles acima são a aplicação específica nesta disciplina.

Erros frequentes e diagnóstico

1. Tecnologia antes do problema: registre hipótese e atributo de qualidade que justificam a escolha.
2. Caminho feliz apenas: injete timeout, duplicata, concorrência, permissão negada e dado inválido.
3. Métrica de vaidade: acompanhe cobertura de trace, sinais correlacionados, cardinalidade, custo e alertas acionáveis e ligue o sinal a uma decisão.
4. Automação sem condição de parada: limite tentativas e torne o estado pendente visível.
5. Documentação sem prova: execute exemplos e conecte diagramas a arquivos, owners e testes.

Critérios de aceite

• Fronteira, dono, entradas, saídas e dependências estão diagramados.
• Caminho feliz e falha parcial possuem testes reproduzíveis.
• O controle “OpenTelemetry, semantic conventions, redaction, sampling, SLOs e alertas por sintoma” tem evidência observável.
• Segurança, privacidade, acessibilidade, custo e operação foram avaliados.
• A métrica “cobertura de trace, sinais correlacionados, cardinalidade, custo e alertas acionáveis” possui unidade, janela e responsável.
• Runbook informa diagnóstico, mitigação, recuperação e escalonamento.

Prática e recuperação ativa

1. Desenhe a jornada da OS 742 e marque onde esta camada começa e termina.
2. Explique a diferença entre ocultar uma ação e negar sua autorização no servidor.
3. Injete a falha “milhões de logs sem correlation ID e métrica por user_id explodem custo e cardinalidade” e capture evidência antes/depois do controle.
4. Transfira o raciocínio para um pedido de e-commerce: o que permanece e o que muda?

Entregável verificável: mapa de sinais da jornada, trace correlacionado, SLI/SLO com janela e alerta testado com runbook. A entrega só é aceita quando outra pessoa consegue repetir a verificação.

Fontes primárias e oficiais

Revisão editorial: 2 de agosto de 2026. Confirme versões antes de implementar configuração volátil.

• https://opentelemetry.io/docs/concepts/
• https://opentelemetry.io/docs/specs/otel/
• https://sre.google/sre-book/service-level-objectives/

Da compreensão à execução

O modelo anterior explica o que precisa permanecer verdadeiro. Agora o caderno transforma essa compreensão em um experimento. Antes de executar, escreva sua previsão; depois compare o observado com o esperado e registre a primeira fronteira onde o estado divergiu.

Objetivo, hipótese e ambiente

Objetivo: demonstrar inferir o estado interno do sistema por sinais correlacionados e acionáveis em uma fatia da jornada de manutenção. Hipótese: o controle “OpenTelemetry, semantic conventions, redaction, sampling, SLOs e alertas por sintoma” reduz a falha escolhida sem violar o contrato das camadas vizinhas.

Pré-requisitos: Git, terminal, TypeScript ou a tecnologia indicada no exemplo, ambiente local isolado e dados sintéticos. Duração orientativa: 90–180 minutos; depende de prática, não de leitura. Não use credenciais reais nem produção.

sequenceDiagram
  actor E as Eletricista
  participant W as Aplicativo
  participant A as API de manutenção
  participant D as Estado canônico
  participant R as ERP
  E->>W: conclui OS 742
  W->>A: intenção + identidade + idempotency-key
  A->>D: valida e persiste
  A-->>W: estado confirmado ou pendente
  A->>R: integração controlada
  R-->>A: confirmação, rejeição ou timeout

Passo 1 — registre o contrato antes do código

Escreva pré-condição, pós-condição, erros esperados, timeout e política de repetição. Separe “aceito para processamento” de “confirmado pelo ERP”. Defina o que a pessoa verá durante incerteza. O contrato deve caber em uma tabela e ser revisado por negócio, desenvolvimento, segurança e operação.

Situação	Resultado público	Estado interno	Próxima ação
Entrada válida	confirmado ou 202 pendente	registrado	processar/observar
Sem permissão	negação estável	nenhuma mutação	auditar
Duplicata	mesmo resultado lógico	um efeito	responder idempotente
Dependência lenta	timeout controlado	pendente conhecido	retry com limite
Dado incompatível	erro de contrato	quarentena	corrigir/reprocessar

Passo 2 — implemente a menor fatia vertical

O trecho é didático e precisa ser adaptado ao runtime indicado. Ele ilustra a decisão central, não constitui aplicação completa.

span.setAttributes({
  "service.name": "maintenance-api",
  "work_order.id": order.id,
  "erp.result": result.status
});

Mantenha a mudança pequena: interface, regra, persistência, teste e sinal operacional no mesmo ticket. Evite construir “toda a infraestrutura” antes de uma jornada observável.

Passo 3 — prove o caminho feliz e o negativo

1. Execute uma OS válida e capture resposta, estado persistido e correlation ID.
2. Repita a mesma intenção; o efeito lógico deve continuar único.
3. Remova a permissão; nenhum estado deve mudar.
4. Force timeout do ERP; a UI deve mostrar estado honesto e a fila não pode crescer sem limite.
5. Corrompa um campo do contrato; rejeite-o com erro útil, sem stack trace nem segredo.

O teste negativo é parte do produto. Sem ele, o controle pode existir apenas no diagrama.

Passo 4 — instrumente a decisão

Registre duração, resultado, dependência, versão do contrato e correlação. Não use nome, e-mail, token, payload completo nem user_id como dimensão ilimitada de métrica. Para este livro, acompanhe cobertura de trace, sinais correlacionados, cardinalidade, custo e alertas acionáveis. Defina SLI, janela, limiar e ação humana associada.

Exemplo de evento estruturado conceitual:

{
  "event": "work_order.transition",
  "order_id": "742",
  "result": "pending_erp",
  "contract_version": "v1",
  "correlation_id": "demo-01",
  "duration_ms": 184
}

Passo 5 — injete falha e recupere

Falha-alvo: milhões de logs sem correlation ID e métrica por user_id explodem custo e cardinalidade.

• Detectar: qual sinal diferencia falha real de tráfego normal?
• Conter: como impedir propagação, repetição ilimitada ou perda de dados?
• Mitigar: qual recurso pode ser desativado ou degradado com segurança?
• Recuperar: como reprocessar sem duplicar efeito?
• Aprender: qual teste, alerta, ADR ou limite impedirá recorrência?

Use timeout curto no laboratório e retry limitado com atraso e jitter. Um retry não é recuperação quando a operação não é idempotente. Registre itens que exigem intervenção humana em fila consultável; não esconda exceções em log.

Segurança e abuso

Faça uma mini análise: ativo, ator, fronteira, ameaça, impacto, controle e teste. Teste acesso horizontal entre unidades, elevação de perfil, payload grande, repetição rápida, dado fora de ordem e indisponibilidade. O controle esperado é OpenTelemetry, semantic conventions, redaction, sampling, SLOs e alertas por sintoma. Valide no servidor e preserve evidência sem expor segredos.

Troubleshooting

Sintoma	Hipótese	Verificação	Correção segura
Estado diverge do ERP	efeito parcial	correlação + outbox/inbox	reconciliar idempotentemente
Latência cresce	fila ou dependência saturada	p95/p99, lag, pool	backpressure e capacidade
Só um tenant falha	escopo, dado ou quota	dimensão de tenant controlada	corrigir política/dado
Retry aumenta erro	operação não idempotente	contar efeitos por chave	deduplicar e limitar
Dashboard “verde”	SLI não representa jornada	teste sintético E2E	medir resultado do usuário

Critérios de aceite verificáveis

• Caminho feliz, entrada inválida, negação, duplicata e timeout foram executados.
• O segundo envio com a mesma chave não produz segundo efeito.
• Nenhum segredo ou dado pessoal aparece em saída, log ou fixture.
• A falha é detectada por sinal antes da reclamação do usuário.
• Existe estado explícito para pendência e procedimento de reconciliação.
• O resultado inclui teste, captura de telemetria, ADR e atualização do runbook.

Evidência, limpeza e solução comentada

Guarde: comandos, versões, saída dos testes, screenshot do fluxo, consulta de estado e gráfico do sinal. Remova ambiente e dados sintéticos; revogue qualquer credencial de laboratório. A solução adequada não é uma ferramenta específica: é a menor composição que satisfaz o contrato e demonstra recuperação.

Exercícios de transferência

1. Troque ERP por gateway de pagamento. Quais garantias ficam mais rígidas?
2. Troque OS por leitura de sensor offline. Onde ordenar e deduplicar?
3. Reduza o RTO pela metade. Qual custo e complexidade aparecem?
4. Explique em voz alta por que monitoramento responde perguntas previstas; observabilidade permite investigar perguntas novas a partir de bons sinais é útil e onde a analogia quebra.

Fontes

Consulte as fontes oficiais do capítulo conceitual e registre versão/data no relatório do laboratório. Para observabilidade, use OpenTelemetry; para segurança, use o manual canônico.