O que é monitoramento de desempenho de aplicações?

As aplicações são parte integrante de qualquer ambiente de TI. Servem como a camada funcional de uma arquitetura, processando dados e fazendo a ponte entre a infraestrutura e os usuários. Dessa forma, elas impactam diretamente os custos operacionais, a receita e a retenção de clientes de uma empresa.

O monitoramento do desempenho de aplicações inclui todas as práticas necessárias para manter os ecossistemas de aplicações. Portanto, é tão essencial para os ambientes de TI corporativos e os objetivos gerais dos negócios quanto as próprias aplicações.

O monitoramento do desempenho de aplicativos depende muito de fluxos de trabalho de automação e ferramentas de monitoramento que avaliam os principais indicadores de desempenho (KPIs), como latência, taxas de erro e taxa de transferência, para fornecer insights sobre a integridade da aplicação e identificar problemas de desempenho. Essas ferramentas:

• Coletam e correlacionam métricas de infraestrutura (uso de CPU, consumo de memória e outros KPIs de utilização de recursos) para revelar problemas de capacidade e ineficiências.

• Rastreiam transações individuais de dados de ponta a ponta entre serviços (por meio de interfaces de programação de aplicativos (APIs), bancos de dados e microsserviços) para identificar exatamente onde os problemas ocorrem.

• Coletam dados de log e eventos que descrevem o que uma aplicação estava fazendo em momentos específicos, ajudando os engenheiros a solucionar problemas e depurar aplicações com mais rapidez.

• Realizam monitoramento real de usuários (que registra a experiência real de clientes reais) e monitoramento sintético (que simula ações do usuário para detectar problemas antes que eles afetem usuários reais), ajudando os desenvolvedores a entender as interações do usuário.

Com a ajuda de plataformas de monitoramento de desempenho de aplicações, as equipes de DevOps podem implementar detecção proativa de problemas, aumentar o tempo de atividade das aplicações e reduzir o tempo que os engenheiros dedicam a tarefas de combate a incêndios. Esses recursos ajudam as empresas a garantir que as aplicações web funcionem da maneira mais tranquila possível para que usuários e líderes possam tomar decisões baseadas em dados sobre investimentos em software.

Normalmente, as equipes de desenvolvimento implementam monitoramento de desempenho de aplicação instrumentando o código de aplicação (injetando lógica de monitoramento no código para coletar dados sobre o que o código está fazendo enquanto roda) e implementando agentes leves junto ao stack da aplicação.

Os agentes são executados em servidores de aplicação e ingerem dados de processos da aplicação, ambientes de infraestrutura e hospedagem, dependências posteriores e interfaces do usuário, tudo sem afetar significativamente o desempenho do aplicativo. Em seguida, os agentes e a instrumentação enviam dados de monitoramento para uma plataforma de monitoramento central, que agrega os dados, cria dashboards e outras visualizações.

A plataforma de monitoramento aplica todas as regras e limites que as equipes de TI exigem e envia alertas quando uma regra é violada ou um KPI excede os limites aceitáveis, o que permite que a equipe responda com agilidade quando ocorre um problema.

Digamos que a empresa XYZ use a aplicação ABC para recursos humanos e processamento de folha de pagamento. A equipe de DevOps define que a latência no envio da folha de ponto deve ser inferior a 1,5 segundo, que a taxa de erros deve permanecer abaixo de 0,5% em um período de 5 minutos e que a taxa de falhas de login deve permanecer abaixo de 2% no mesmo período.

Em dias normais, o aplicativo responde em menos de 700 milissegundos, os erros são quase 0% e as falhas de login são baixas. Mas em uma sexta-feira movimentada, antes do feriado, dia de processamento da folha de pagamento, um índice de banco de dados mal configurado causa lentidão. A latência, as taxas de erro e as falhas de login começam a exceder os limites atribuídos. As ferramentas de monitoramento enviarão alertas automaticamente a todos os membros da equipe necessários para que possam encontrar e reparar prontamente o índice problemático.

No caso de plataformas avançadas, a detecção de anomalias e as funcionalidades baseadas em aprendizado de máquina (ML)também podem identificar padrões de dados anômalos, prever problemas de desempenho e até mesmo reduzir o ruído de alertas, priorizando-os com base na gravidade e na urgência.

Esses processos ajudam a criar visibilidade de ponta a ponta que abrange interfaces de front-end, serviços de backend, bancos de dados e dependências de terceiros, para que as equipes possam entender o impacto de cada componente individual no desempenho geral da aplicação.

A sigla “APM” é frequentemente aplicada tanto ao monitoramento do desempenho de aplicações quanto ao gerenciamento de desempenho de aplicações. Na verdade, os dois termos são frequentemente usados como sinônimos. No entanto, ferramentas de monitoramento de desempenho de aplicações se concentram exclusivamente no monitoramento e representam apenas um aspecto do gerenciamento de desempenho de aplicações (APM). Além do monitoramento, as plataformas de APM oferecem processos de análise de dados, protocolos de resolução de problemas e ferramentas de otimização.

As soluções de monitoramento dependem de agentes implementados em todo o ambiente da aplicação e na infraestrutura de suporte para coletar amostras de métricas de desempenho (ou telemetria) em intervalos regulares (com frequência de até uma vez por minuto). Soluções mais modernas utilizam monitoramento sem agentes para uma abordagem não intrusiva de coleta de dados, usando a análise de tráfego de rede para obter dados de desempenho de aplicativos.

O gerenciamento de desempenho de aplicações é, de muitas maneiras, a próxima etapa natural no ciclo de vida de manutenção de aplicativos após o monitoramento. As soluções de APM extraem insights dos dados de desempenho de aplicações e dos processos de monitoramento para ajudar os desenvolvedores a otimizar o desempenho e a disponibilidade de aplicações empresariais.

As ferramentas de monitoramento de desempenho de aplicações permitem visibilidade full stack ao incorporar vários tipos diferentes de monitoramento.

O monitoramento de infraestrutura se concentra na integridade e no desempenho dos sistemas subjacentes nos quais as aplicações são executadas, como servidores, máquinas virtuais (VMs), contêineres, redes, armazenamento e serviços de nuvem.

Esse tipo de monitoramento é centrado nos recursos, com foco em verificar se eles estão disponíveis e operando dentro de limites seguros. Baseia-se em um conjunto de métricas de baixo nível (dados numéricos de séries temporais sobre a integridade do sistema) e em sinais que descrevem o quanto um componente está trabalhando e se está próximo de uma falha ou degradação.

Para um servidor ou VM, as métricas de monitoramento normalmente incluem o uso da CPU, consumo de memória, E/S de disco, espaço em disco e throughput da rede. Para contêineres e nós do Kubernetes, o monitoramento inclui métricas semelhantes, mas com escopo definido para pods, nós e namespaces.

O monitoramento do lado do servidor (ou backend) avalia como o código e os serviços da aplicação backend – incluindo servidores de aplicação, microsserviço, APIs, middleware, os frameworks e tempos de execução que eles usam – lidam com as solicitações de dados.

O monitoramento da infraestrutura responde a perguntas relacionadas a recursos, como “Esse nó está sobrecarregado?” ou “Esse disco está prestes a ficar cheio?”. Já o monitoramento do lado do servidor faz perguntas centradas na aplicação, como “Por que esse endpoint de API está lento para os usuários?”.

As ferramenta de monitoramento observam a execução de solicitações à medida que elas fluem pelo código, frameworks e dependências para entender a eficiência dos processos e onde o tempo e os recursos são gastos em cada solicitação. Os agentes monitoram o tempo de execução; medem a duração de funções e processos específicos; dividem uma solicitação em segmentos para identificar problemas; e rastreiam chamadas a bancos de dados, caches, filas e APIs de terceiros.

O monitoramento de backend normalmente rastreia KPIs como tempos de resposta (por endpoint de API ou serviços), taxa de transferência (solicitações por segundo, tarefas processadas por minuto), taxas e tipos de erro e utilização de recursos.

Do ponto de vista da aplicação, o monitoramento de rede avalia como os pacotes de dados se movem entre os componentes que fazem as aplicações funcionarem (roteadores, switches, balanceadores de carga, gateways de API) e se o próprio caminho da rede está causando lentidão na transmissão de dados ou falhas.

Cada salto que um pacote de dados realiza em uma rede acrescenta possíveis pontos de atraso ou falha. Se um link estiver saturado, um switch estiver descartando pacotes ou uma rota estiver abaixo do ideal, as APIs do aplicativo podem se tornar não confiáveis, mesmo que o código e os servidores estejam corretos. Portanto, o monitoramento de rede se concentra em KPIs como latência, perda de pacotes, jitter e uso da largura de banda.

Geralmente, as ferramentas de monitoramento de rede monitoram o tráfego da aplicação à medida que ele se move entre dois endpoints (entre servidores web e servidores de aplicativos e entre servidores de aplicativos e bancos de dados, por exemplo).

E os dados de tráfego de rede são mais úteis quando correlacionados com dados de monitoramento de desempenho de aplicativos de nível superior. Se os rastreamentos de transação (que acompanham todo o caminho de uma requisição entre serviços) mostrarem que uma chamada de serviço para serviço está lenta, métricas de rede podem revelar simultaneamente se houve perda de pacotes ou um pico de latência no link entre os hosts.

Isso permite que as equipes de TI vejam, por exemplo, que as chamadas do serviço A para o serviço B agora estão levando 300 milissegundos em vez de 20 milissegundos, porque o caminho entre seus nós mudou.

O monitoramento de bancos de dados mede o desempenho dos bancos de dados, a sua disponibilidade e se estão próximos dos limites de recursos ou configurações que podem prejudicar o desempenho da aplicação. Esse tipo de monitoramento facilita a distinção entre problemas em nível de código e problemas de design de esquema ou padrão de acesso a dados.

Muitos problemas de desempenho visíveis ao usuário têm origem em um banco de dados; portanto, o monitoramento dedicado do banco de dados é vital para o gerenciamento de aplicações.

As ferramentas de monitoramento identificam as consultas mais "caras" (aquelas que consomem mais tempo ou recursos em geral) e as classificam de acordo com métricas como o tempo total de execução em chamadas, o percentil de latência e o tempo de entrada/saída por consulta. Esse processo ajuda as equipes de TI a encontrar índices de bancos de dados ausentes ou consultas mal escritas, o que pode tornar toda a aplicação lenta para os usuários finais.

O monitoramento e a análise de logs coletam os logs (registros imutáveis de eventos do sistema) que as aplicações emitem, pesquisando e correlacionando os dados de logs para encontrar eventos problemáticos do sistema.

Em vez de deixar logs de diferentes aplicações espalhados por diferentes máquinas, as ferramentas de monitoramento de logs normalmente os centralizam em uma única plataforma. Os agentes coletam as entradas de log e as enviam para a plataforma de monitoramento, onde são analisadas, registradas com data e hora e indexadas. O processo de agregação transforma o que, de outra forma, seriam arquivos de texto dispersos em uma fonte de dados única, pesquisável e em tempo real para executar o ambiente da aplicação.

As plataformas de monitoramento de logs processam os logs à medida que eles chegam e aplicam regras ou detectores baseados em ML para encontrar problemas, acionando alertas automaticamente quando ocorrem padrões problemáticos. Esses alertas geralmente incluem links ou consultas que levam os desenvolvedores diretamente ao subconjunto de logs relevante, para que eles possam iniciar imediatamente a solução de problemas.

O monitoramento de logs se torna muito mais poderoso quando os dados de logs são correlacionados com métricas e rastreios. Quando um alerta de desempenho baseado em métricas é acionado em um endpoint, as equipes DevOps podem passar diretamente do rastreamento de uma solicitação lenta para os logs dos serviços que processaram a solicitação, a fim de entender a causa raiz do problema.

O monitoramento de contêiner oferece visibilidade sobre contêineres (como Docker) e orquestradores (como Kubernetes) que executam aplicações, fazendo a ponte entre o desempenho da aplicação e a infraestrutura subjacente a ela. As ferramentas de monitoramento descobrem automaticamente contêineres e pods, mapeiam contêineres para os serviços que eles executam, rastreiam todo o ciclo de vida e correlacionam o uso de recursos com rastreamentos e solicitações de usuários.

O monitoramento de contêiner reúne métricas em vários níveis.

No nível do contêiner e do pod, ele mede o uso da CPU, o consumo de memória, a entrada/saída de rede e a entrada/saída de disco. Também captura eventos de ciclo de vida, como início e reinicialização de pod, encerramentos e falhas de sonda (que ocorrem quando um contêiner não está íntegro ou não está pronto para aceitar tráfego). No nível do cluster e do nó, a ferramenta de monitoramento determina se o cluster tem memória suficiente, se um novo pod pode ser agendado (alocado) facilmente e se pods em namespaces diferentes estão disputando os mesmos recursos.

Os dados do monitoramento de contêineres são então enriquecidos com contexto de aplicação. Por exemplo, se a latência de um serviço aumentar, as equipes podem ver qual pod está com falta de memória e filtrar rastreamentos a partir desse pod exato para confirmar o impacto.

Esses recursos são importantes para gerenciar aplicações em contêineres, em que os pods são dimensionados dinamicamente e os contêineres podem ser criados ou removidos em segundos. O monitoramento de contêineres ajuda a garantir que os engenheiros identifiquem implementações com falhas e clusters com recursos insuficientes antes que eles afetem a experiência do usuário.

RUM, um subconjunto do monitoramento da experiência do usuário final (EUEM) e do monitoramento da experiência digital (DEM), é uma técnica que mede o desempenho e a experiência do usuário observando pessoas reais usando aplicações em ambientes reais. Ele captura o que realmente acontece nos navegadores e aplicativos móveis dos usuários, em suas redes, dispositivos e localizações reais.

O RUM geralmente funciona injetando pequenos scripts ou kits de desenvolvimento de software (SDKs) em um aplicativo e coletando automaticamente dados de tempo e erro de cada sessão do usuário. Eles também capturam contexto como tipo de navegador, dispositivo, sistema operacional, tipo de rede, região geográfica e, às vezes, identificadores de usuário ou IDs de sessão.

Em seguida, o script envia os dados de monitoramento para um servidor onde são agregados e visualizados, permitindo que as equipes de TI analisem detalhadamente como o desempenho varia em diferentes segmentos de tráfego. Por exemplo, os desenvolvedores podem comparar os tempos de carregamento das páginas entre usuários de dispositivos móveis e de desktop, ou entre usuários em conexões de fibra rápida e usuários em redes celulares lentas. Eles também podem ver quais páginas ou jornadas de usuário são mais lentas e com que frequência os erros ocorrem em cada fluxo.

Como o RUM reflete condições reais (Wi-Fi doméstico lento, redes móveis, dispositivos mais antigos), é um diagnóstico útil para entender a experiência do cliente e traçar uma ligação direta entre o desempenho e os resultados do usuário. É especialmente valioso para encontrar problemas que ocorrem somente sob condições específicas ou em determinadas plataformas.

O monitoramento sintético, outro tipo de EUEM, utiliza scripts automatizados executados em vários locais globais para simular as interações do usuário em relação a um aplicação (efetuando login, pesquisando, adicionando itens a um carrinho, concluindo um checkout) em um cronograma fixo.

Os engenheiros criam scripts que definem sequências exatas de ações – como navegar até uma URL, preencher formulários, clicar em botões ou fazer chamadas de API – e os scripts são executados repetidamente (a cada 5 minutos, a cada hora ou em uma programação personalizada) a partir de navegadores ou agentes reais hospedados na nuvem em todo o ambiente. Cada execução produz métricas (tempo total da transação, tempos de cada etapa e disponibilidade da aplicação) e documentação do processo (capturas de tela ou vídeos das falhas).

A execução de scripts idênticos continuamente ao longo do tempo estabelece uma linha de base confiável para o desempenho do aplicativo. Se um script de finalização de compra que normalmente leva 3 segundos de repente leva 12 segundos ou falha na etapa de pagamento, as equipes de TI recebem imediatamente um alerta, mesmo que nenhum usuário real tenha reclamado ainda.

Dessa forma, o monitoramento sintético é útil para detectar problemas antes que usuários reais os vejam e para monitorar o desempenho do sistema fora do horário comercial normal ou em regiões com pequenas bases de usuários.

Como acontece com muitas práticas de gerenciamento de TI, o monitoramento de desempenho de aplicações está integrando tecnologias mais recentes que ajudam a expandir seus benefícios e casos de uso.

Por exemplo, muitas ferramentas líderes de monitoramento utilizam instrumentos de ponta que dependem de inteligência artificial (IA) e tecnologias de ML para correlacionar e analisar dados em tempo real. Ferramentas orientadas por IA podem filtrar grandes quantidades de dados de telemetria ou, melhor ainda, prever o que pode acontecer em um sistema com base nesses dados.

Usando análise preditiva de dados, as equipes de DevOps podem prever possíveis problemas antes que eles afetem o desempenho do aplicativo. A análise preditiva de dados aproveita modelos de ML treinados em telemetria histórica para detectar padrões sutis que sinalizam degradação de desempenho (picos graduais de latência ou aumentos na taxa de erro, por exemplo).

As ferramentas de análise preditiva de dados também podem simular cenários hipotéticos ao modelar fatores de estresse hipotéticos nas aplicações, como picos repentinos de tráfego ou interrupções de dependências. Essas simulações se baseiam em padrões históricos de dados e entradas em tempo real para projetar resultados, gerando previsões probabilísticas (por exemplo, "há 80% de chance de a latência exceder 500 milissegundos se a utilização da CPU atingir 90% amanhã").

A evolução do monitoramento de desempenho de aplicativos orientados por IA indica um movimento de abordagens reativas e "apenas de detecção de anomalias" para sistemas totalmente proativos que podem antecipar e prevenir interrupções.

Os ambientes de nuvem e a edge computing também estão transformando o monitoramento de desempenho de aplicativos. Essas tecnologias exigem ferramentas que possam lidar com arquiteturas de aplicações nativas da nuvem, como aplicações de software como serviço (SaaS) e ambientes dinâmicos de TI que vão muito além dos data centers locais tradicionais.

Os sistemas avançados de monitoramento agora priorizam a escalabilidade e a visibilidade em tempo real de cargas de trabalho conteinerizadas, funções sem servidor e microsserviços.

Eles podem rastrear solicitações de ponta a ponta por meio de malhas de serviço e clusters de escalonamento automático, capturando problemas de desempenho da aplicação em cada etapa do percurso sem consumir recursos adicionais. Também incorporam rastreamento distribuído e propagação avançada de contexto para preservar metadados de requisições entre serviços, facilitando a detecção precisa de gargalos de desempenho em ecossistemas complexos de TI.

Muitos sistemas de monitoramento avançados também oferecem funcionalidades de instrumentação automática para linguagens comuns em stacks nativos da nuvem. Esse recurso ajuda as equipes de TI a reduzir o tempo de configuração e a incorporar verificações de desempenho sem dificuldades aos pipelines de integração contínua/entrega contínua (CI/CD).

Essa mudança permite que as equipes de TI monitorem recursos efêmeros que são ativados e desativados de forma rápida, garantindo que o desempenho do aplicativo permaneça ideal em ambientes de nuvem híbrida e multinuvem.

As ferramentas de monitoramento de desempenho de aplicação oferecem inúmeros benefícios às empresas.