Painéis Dinâmicos e Alertas Inteligentes com Grafana

“O que não é medido, não pode ser melhorado.” – Peter Drucker

A capacidade de observar o comportamento de aplicações e infraestrutura em tempo real é o que diferencia um ambiente operacional saudável de um que está à beira do colapso. Neste artigo, vamos explorar como o Grafana pode ser usado para transformar dados brutos em painéis dinâmicos, correlacionar logs estruturados e disparar alertas inteligentes que evitam incidentes antes que eles afetem o usuário final.

---

Sumário

Fundamentos da coleta de métricas e logs

Construindo dashboards dinâmicos no Grafana

Alertas contextuais: da regra ao acionamento

Exemplo completo: monitorando um serviço de pagamentos

Conclusão e próximos passos

---

Fundamentos da coleta de métricas e logs

1.1 Métricas como séries temporais

Métricas são valores numéricos que descrevem o estado de um componente ao longo do tempo. Cada ponto de dado possui três partes essenciais:

Campo	Descrição
Timestamp	Momento exato da coleta (UTC)
Valor	Medida numérica (ex.: taxa de erro)
Rótulos	Chaves de identificação (ex.: service, region)

A maioria dos coletores de métricas expõe um endpoint HTTP que devolve as séries no formato Prometheus text. Embora não citemos o nome do projeto, o padrão é amplamente suportado por ferramentas de visualização.

Exemplo: Exporter simples em Go

// file: exporter/main.go

package main


import (
	"net/http"
	"time"


	"github.com/prometheus/client_golang/prometheus"
	"github.com/prometheus/client_golang/prometheus/promhttp"
)


var (
	requests = prometheus.NewCounterVec(
		prometheus.CounterOpts{
			Name: "app_requests_total",
			Help: "Número total de requisições atendidas",
		},
		[]string{"service", "status"},
	)


	latency = prometheus.NewHistogramVec(
		prometheus.HistogramOpts{
			Name:    "app_request_latency_seconds",
			Help:    "Latência das requisições em segundos",
			Buckets: prometheus.ExponentialBuckets(0.001, 2, 10),
		},
		[]string{"service"},
	)
)


func init() {
	prometheus.MustRegister(requests, latency)
}


// Simula tratamento de requisição
func handle(w http.ResponseWriter, r http.Request) {
	start := time.Now()
	// ... lógica da aplicação ...
	time.Sleep(50  time.Millisecond) // delay artificial
	requests.WithLabelValues("payment", "200").Inc()
	latency.WithLabelValues("payment").Observe(time.Since(start).Seconds())
	w.Write([]byte("OK"))
}


func main() {
	http.Handle("/metrics", promhttp.Handler())
	http.HandleFunc("/", handle)
	http.ListenAndServe(":9090", nil)
}

Nota: O código acima cria duas métricas (contador e histograma) e as expõe em /metrics. Qualquer coletor compatível pode raspá‑las a cada 15 s.

1.2 Logs estruturados

Logs em texto livre são difíceis de analisar em escala. A prática recomendada é gerar JSON contendo campos padronizados (timestamp, nível, mensagem, contexto). Ferramentas como Loki, Elastic ou Splunk podem indexar esses documentos e permitir consultas avançadas.

Exemplo: Log em Go usando zap

// file: logger/main.go

package main


import (
	"go.uber.org/zap"
)


func main() {
	logger, _ := zap.NewProduction()
	defer logger.Sync()


	logger.Info("Transação iniciada",
		zap.String("service", "payment"),
		zap.String("order_id", "12345"),
		zap.Float64("amount", 199.90),
	)
	logger.Error("Falha ao validar cartão",
		zap.String("service", "payment"),
		zap.String("order_id", "12345"),
		zap.String("error_code", "CARD_DECLINED"),
	)
}

O output será um JSON pronto para ingestão em um motor de busca de logs.

---

Construindo dashboards dinâmicos no Grafana

2.1 Conexão de fontes de dados

Adicionar fonte → Configuration → Data Sources → Add data source

Selecione Prometheus-compatible (não precisamos mencionar o nome).

Configure o URL do coletor (ex.: http://localhost:9090) e teste a conexão.

Dica: Defina a opção Scrape interval de acordo com a criticidade dos dados (ex.: 15 s para métricas de SLA).

2.2 Variáveis de painel

Variáveis permitem que o mesmo painel sirva múltiplos serviços, regiões ou ambientes sem duplicação.

# Exemplo de definição de variável no Grafana (JSON)

{
  "name": "service",
  "type": "query",
  "datasource": "Metrics",
  "refresh": 1,
  "query": "label_values(app_requests_total, service)",
  "includeAll": true,
  "multi": true,
  "default": "payment"
}

Ao selecionar payment, inventory ou auth a consulta subjacente se ajusta automaticamente.

2.3 Painéis recomendados

Tipo de visualização	Uso típico	Métrica de exemplo
Time series	Tendência de latência	app_request_latency_seconds
Stat	Valor atual de taxa de erro	sum(rate(app_requests_total{status!="200"}[5m]))
Bar gauge	Distribuição de status HTTP	sum by (status) (app_requests_total)
Table	Listagem de falhas recentes	app_requests_total{status!="200"}

2.4 Exportando o dashboard como JSON

```json { "dashboard": { "title": "Visão Geral de Serviços", "panels": [ { "type": "timeseries", "title": "Latência média (últimos 5 min)", "targets": [ { "expr": "avg(app_request_latency_seconds{service=~\"$service\"})", "legendFormat": "{{service}}" } ] }, { "type": "stat", "title": "Taxa de Erro", "targets": [ { "expr": "sum(rate(app_requests_total{status!=\"200\",service=~\"$service\"}[5m]))", "legendFormat": "Erro" } ] } ], "templating": { "