Torrent Gear

Ferramentas de monitoramento de API e infraestrutura

1) Princípios: de metas para ferramentas

SLO-first: selecione e configure as ferramentas para fins alimentares (login, depósito, taxa), não o contrário.

Open standards: OpenTelemetry (trailers/métricas/logs), Prometheus mostra formato, Loki JSON-logs.

Contexto único: 'trace _ id '/' span _ id' em logs e métricas; links «dashboard → trace → logs».

Costa-aware - A cardinalidade das métricas, TTL logs, sampling trails - antecipadamente.

2) Métricas: coleta, armazenamento, visualização

Сбор: Prometheus / Agent-режим (VictoriaMetrics Agent, Grafana Agent, OpenTelemetry Collector).

Armazenamento (TSDB): Prometheus (single), Thanos/Cortex/Mimir (escala horizontal), VictoriaMetrics (economia CPU/RAM).

Visualização: Grafana como «painel de vidro».

O que medir para API (RED) e infraestrutura (USE):

RED: `rate(requests)`, `error_ratio`, `latency p95/p99` по `route`, `method`, `provider`.
USE: CPU/Mem, file descriptors, connection pools, queue lag, GC pauses.

Exportadores úteis:

k8s: kube-state-metrics, node-exporter, cAdvisor, ingress/gateway exporters.
БД/кэши: postgres_exporter, mysql_exporter, redis_exporter, kafka_exporter, rabbitmq_exporter.
Serviço-mash: Envoy metrics, istio/Linkerd dashboards.
PSP/внешние: custom exporters (webhook success, PSP success ratio, callback latency).

Exemplos de PromQL (esboços):

promql
Depósito bem-sucedido (SLI)
sum(rate(ig_payments_requests_total{route="/payments/deposit",status=~"2.."}[5m]))
/
sum(rate(ig_payments_requests_total{route="/payments/deposit"}[5m]))

p95 latency API histogram_quantile(0. 95, sum(rate(http_request_duration_seconds_bucket[5m])) by (le, route))

Saturar pool de conexões para BD db _ connections _ in _ use/db _ connections _ max

3) Logs: pesquisa, correlação, imutabilidade

Pilha: OpenSearch/Elasticsearch + Beats/Vector/Fluent Bit ou Grafana Loki (mais barato em armazenamento, «logs-de-estrim»).

Formato: JSON com campos padrão 'ts, level, service, end, trace _ id, user _ pid, rota, status, latency _ ms'.

Práticas: camuflagem PII, baquetas de auditoria WORM, políticas TTL/ILM, particionamento por 'eng/region/brand'.

4) Traçado: onde os milissegundos são perdidos

Стек: OpenTelemetry SDK/Collector → Jaeger/Tempo/Honeycomb/New Relic Traces.

Política de semente: 100% de erros, adaptando para consultas «lentas», 1% a 5% de sucesso.

Теги iGaming: `provider`, `psp`, `risk_decision`, `bonus_id`, `market`, `ws_table_id`.

Receita rápida de debag: de grafo vermelho SLO → trade de rota problemática → span «gordo» em PSP/provedor de jogo → logotipo de webhook.

5) plataformas APM, quando «tudo-em-um»

Soluções comerciais (Datadog, New Relic, Dinatrace, Grafana Cloud) encerram APM, logs, trailers, sintéticos, RUM.

Vantagens: velocidade de implementação, correlação de caixa. Contras: custo/vendedor.

Híbrido: núcleo em OSS (Prometheus + Grafana + Tempo + Loki), «desenhar» sintético/alerting com módulos comerciais através de flow críticos.

6) Sintético e RUM: «fora» e «olhos do jogador»

Синтетика: Checkly, Grafana Synthetic Monitoring, k6 Cloud, Uptrends, Pingdom, Catchpoint, ThousandEyes.

Geo: EU/LatAm/MEA/APAC, redes móveis, mix ASN.

RUM: Web-SDK (TTFB/LCP/CLS), SDK móvel; segmentação por país/rede/dispositivo.

7) Kubernetes-superfícies de monitoramento

Control plane: etcd, API-server (apiserver_request_total, latency), scheduler/controllermanager.

Data plane: kubelet, CNI, ingress/gateway; `PodDisruptionBudget` и эвикшены.

Scale automático: HPA/VPA/Cluster Autoscaler métricas e eventos; warm pulas.

Políticas de rede: drop/deny events, DNS latency.

8) Bancos de dados, filas, cachês

Postgres/MySQL: liga de replicação, deadlocks, bloat, WAL, checkpoint duration, temporizadores.

Kafka/RabbitMQ: consumer lag, rebalances, queue depth, redeliveries.

Redis: evictions, blocked cliens, latency percentiles, réplica-branca.

PITR/bacapes: tarefas dos operadores de backup + dashboard «tempo antes da recuperação».

9) Rede, CDN, WAF, provedores de jogos e PSP

CDN/Edge: hit-ratio, TTFB por região, shield hit, «tempestade de falhas».

WAF/bot gestor: share challengs/blocos, ASN/países, FPR em login/depósito.

Game providers: hora de iniciar a mesa/slot, falha/tempo para os estúdios.

PSP: sucess ratio/latency por método/país/BIN, códigos de erro 3DS/AVS, webhooks sucess & delay.

10) Alerting e vigias

Routing: Alertmanager → PagerDuty/Opsgenie/Slack.

Regras: sintomas (SLO) + causais (recursos).

Antissum, agrupamento, supressão de alertas em cadeia, janelas de silêncio para lançamento.

SLO-gates em CD: auto-pausa/reversão de violações (Argo Rollouts/Flagger AnalysisRun).

Exemplos de alertas (simplificado):

`login_success_ratio < 99. 9% for 10m`
`p95 /payments/deposit > 0. 4s for 10m`
`db_connections_saturation > 0. 85 for 5m`
`kafka_consumer_lag > 30s`
`cdn_hit_ratio drop > 15% in 10m (per region)`

11) Dashboards que realmente ajudam

Flow de depósito: vórtice, p95/p99, erros de PSP/BIN/países, atrasos de webhooks.

Jogos Live/WS: conexões, RPT, resend/reconnect, erros de provedores.

Saúde API: RED sobre rotas, saturações, top slow endpoants ↔ trace.

DR Painel: Replication lag, WAL shipping, synthetic login/deposit da região de DR..

Segurança: WAF, bot score, 401/403 anomalias assinadas por webhooks.

12) Gerenciamento de custos de telemetria

Não inclua 'user _ id' nas editoras, os limites de 'rota' e 'provider'.

Downsampling e classe retenta (quentes 7-14 dias, quente 30-90, arquivo frio).

Logi: salto de eventos - inclua semente/deadup; mantenha o stacktrace separado.

Trails: sampling dinâmico por caminhos «caros» (pagamentos/conclusões).

13) Segurança e privacidade no monitoramento

mTLS desde agentes até colecionadores; criptografia at-rest.

Pseudônimo 'user _ pid', e-mail/telefone/documentos impedidos nos logs.

RBAC/MFA, WORM para auditoria; DPA com provedores de monitoramento de terceiros.

14) Integração com CI/CD e retorno automático

Exposição de SLI como uma metrica de proom para análises de CD.

Release labels ('version', 'rollout _ step') em métricas/logs/trailers.

Gates de canário automático, que só vai continuar com SLO verde.

15) Arranque rápido (árbitro)

Coleta/transporte: OTEL Captor + Prometheus/VM Agente + Fluent Bit.

Armazenamento: VictoriaMetrics/Thanos (métricas), Loki/OpenSearch (logs), Tempo/Jaeger (trailers).

Visualização: Grafana + curtidas k8s/Envoy/Postgres.

Sintético & RUM: Checkly/k6 + Grafana RUM (ou equivalente comercial).

Alerting: Alertmanager → PagerDuty/Slack; runbooks em links.

16) Folha de cheque de implementação (prod-ready)

Definidos SLO/SLI para login/depósito/taxa/retirada.
Métricas RED/USE + SLI empresarial; Uma ontologia única das editoras.
Logs JSON com 'trace _ id', camuflagem PII, WORM para auditoria.
OpenTelemetry end-to-end; Semente de erros 100%.
Sintética de regiões-chave + RUM em venda.
Dashboard «flow depósito», «WS», «saúde API», «DR.».
Alerting: sintomas SLO + causas de recursos; antissum.
Os gates SLO estão conectados a um CD; Revezamento automático.
Plano de custo: Retensivo/semente/cardealidade.
DPA/segurança: mTLS, RBAC, privacidade dos logs.

Currículos

O monitoramento forte não é um conjunto de «gráficos bonitos», mas sim um sistema de conexão: métricas RED/USE, logs s s 'trace _ id', GPS-telemetry, sintético e RUM, além de dashboards, alerting e gates SLO incorporados no seu CI/CD. Junte a pilha em torno dos padrões abertos, controle o custo da telemetria e normalize a ontologia das editoras - para que quaisquer problemas de API e infraestrutura sejam vistos com antecedência e reparados antes que os jogadores percebam.