Operação de nuvem e SRE
Assumimos a plataforma depois que ela entra em produção: tiramos o peso da operação manual, instrumentamos o que ninguém está olhando e tornamos mudança e deploy movimentos seguros.
Uma plataforma operável exige mais do que infraestrutura funcionando. A diferença aparece na primeira madrugada de indisponibilidade, quando o time descobre o que não está instrumentado e o que não tem caminho de volta.
Operação aqui é engenharia, não plantão. Definimos objetivos de confiabilidade, instrumentamos os sistemas, automatizamos processos e estruturamos a resposta a incidentes para que a plataforma possa ser operada de forma previsível.
Resultado
Menos operações manuais, mudanças mais seguras e uma plataforma preparada para operar em escala.
O que fazemos
Observabilidade
Instrumentamos métricas, logs e rastros com OpenTelemetry, que mantém a instrumentação independente de quem coleta e de quem armazena. As métricas vão para Prometheus e a leitura acontece em Grafana, com logs e rastros em Grafana Loki e Grafana Tempo ou em Amazon OpenSearch Service, e o alerta saindo do Alertmanager. Container Insights e CloudWatch Application Signals entram onde a integração nativa com a AWS poupa trabalho de coleta.
Confiabilidade
Definimos SLIs e SLOs com quem responde pelo produto e acompanhamos em Service Level Objectives do CloudWatch, com orçamento de erro decidindo o que pode entrar em produção.
Gestão de incidentes
Montamos classificação de severidade, papéis, canal de comunicação e revisão pós-incidente sem procura de culpado, com cada achado entrando no backlog com dono definido.
Mudança segura em produção
Colocamos Amazon EKS em produção com deploy canário e blue/green, esteira de promoção entre ambientes, políticas como código e detecção de desvio.
Como trabalhamos
Levantamos a operação atual
O que é monitorado, o que gera alarme, quanto ruído esse alarme produz e quais mudanças ainda dependem de alguém logado no console.
Instrumentamos antes de automatizar
Métrica, log e rastro nos caminhos críticos, para qualquer automação posterior ter em que se apoiar. A stack fica gerenciada em Amazon Managed Service for Prometheus e Amazon Managed Grafana ou autogerida no cluster, e essa escolha se decide por custo e por esforço de sustentação, independente de preferência técnica.
Acordamos os objetivos de confiabilidade
SLIs e SLOs escritos junto do time de produto, com orçamento de erro explícito. Alarme que não aponta para um objetivo é ruído.
Exercitamos a resposta a incidente
Runbooks escritos, papéis atribuídos e o fluxo exercitado antes de precisar dele valendo.
Deixamos o time pronto para operar
A equipe interna conduz o incidente, revisa o que aconteceu e ajusta alarme e SLO sem depender da RSA Tech a cada ocorrência.
Serviços AWS e ferramentas envolvidas
- OpenTelemetry
- Prometheus
- Grafana
- Amazon Managed Service for Prometheus
- Amazon Managed Grafana
- Grafana Loki
- Grafana Tempo
- Amazon OpenSearch Service
- Alertmanager
- Container Insights
- CloudWatch Application Signals
- CloudWatch Service Level Objectives
- Amazon EKS
- AWS Systems Manager
- Terraform
Onde normalmente entramos
A operação depende de pessoas
Ambientes onde incidentes, deploys e tarefas operacionais ainda dependem de intervenção manual ou de profissionais específicos.
A plataforma cresceu, mas a operação não acompanhou
Times de engenharia que precisam estruturar observabilidade, confiabilidade e resposta a incidentes sem criar uma camada adicional de complexidade.
Produção precisa de mais previsibilidade
Sistemas críticos que precisam reduzir o impacto de incidentes, acelerar a recuperação e tornar mudanças mais seguras.