Curso Kubernetes 13 — Observabilidade: metrics-server, Prometheus e Grafana

Você não pode consertar o que não consegue ver. Kubernetes gera uma quantidade enorme de sinais; o difícil é escolher quais importam.

Observabilidade tem três pilares:

Pilar	Pergunta	Ferramentas
Métricas	“quanto/o quê?”	Prometheus, Grafana
Logs	“por quê?”	Loki, Elasticsearch
Traces	“onde?”	OpenTelemetry, Jaeger

Selo do curso: testado em Kubernetes 1.35 com kube-prometheus-stack.

metrics-server: o kubectl top

O metrics-server coleta CPU/memória dos pods e nós via API de métricas. É o que alimenta kubectl top e o HPA por CPU/memória.

kubectl top nodes
kubectl top pods -A --sort-by=memory | head

Se retornar error: Metrics API not available, o metrics-server não está instalado ou está com problema de TLS/RBAC.

Importante: metrics-server não é armazenamento de longo prazo. Ele serve métricas recentes para o HPA. Para histórico, Prometheus.

Prometheus: o padrão de fato

Prometheus faz scrape (puxa métricas) por HTTP em intervalos regulares, armazena em TSDB e permite consultas em PromQL.

Componentes comuns:

• Prometheus: coleta e armazena.
• node-exporter: métricas do nó (CPU, memória, disco, rede).
• kube-state-metrics: estado dos objetos (pods, deployments, PDB).
• Alertmanager: agrupa, silencia e roteia alertas.
• Grafana: visualização.

Instalação via Helm (lab):

helm repo add prometheus-community https://prometheus-community.github.io/helm-charts
helm repo update
helm upgrade --install kps prometheus-community/kube-prometheus-stack \
  -n monitoring --create-namespace \
  --set grafana.adminPassword='troque-isto'

Valide:

kubectl -n monitoring get pods
kubectl -n monitoring get servicemonitors

O que medir primeiro

Não tente medir tudo. Comece pelo que dói:

Sinal	Exemplo de métrica
Nós saudáveis	up{job="node-exporter"}
Pods prontos	kube_pod_status_ready
Reinícios	kube_pod_container_status_restarts_total
CPU/memória	container_cpu_usage_seconds_total, container_memory_working_set_bytes
Disco	node_filesystem_avail_bytes
API server	apiserver_request_duration_seconds
Erros HTTP	http_server_requests_seconds_count{status=~"5.."}

Consultas úteis:

# nós down
up == 0

# pods que reiniciaram mais de 3 vezes na última hora
increase(kube_pod_container_status_restarts_total[1h]) > 3

# memória dos pods por namespace
sum by (namespace, pod) (container_memory_working_set_bytes{container!=""})

Grafana: dashboards que respondem perguntas

Um dashboard bom responde:

• O cluster está saudável?
• O que mudou nas últimas 24h?
• Qual serviço está degradado?
• Estamos dentro do SLO?

Evite dashboards de 200 painéis. Comece com:

1. Visão geral: nós, pods, CPU, memória, disco.
2. Namespace/aplicação: réplicas, restarts, latência, erros.
3. SLO: disponibilidade e orçamento de erro.

Alertas: o que acordar alguém

Alerta bom é acionável. Exemplos:

- alert: NodeDown
  expr: up{job="node-exporter"} == 0
  for: 2m
  labels:
    severity: critical
  annotations:
    summary: "Nó {{ $labels.instance }} down"

- alert: PodCrashLooping
  expr: increase(kube_pod_container_status_restarts_total[10m]) > 3
  for: 5m
  labels:
    severity: warning

Regras:

• Todo alerta tem runbook.
• for evita ruído.
• Severidade define canal (crítico acorda; warning espera).
• Alertmanager agrupa e silencia durante manutenção.

Logs e traces

• Logs: estruturados (JSON), com traceId/requestId, retenção definida. Loki é uma opção leve.
• Traces: OpenTelemetry no app, collector e backend (Jaeger/Tempo). Sem amostragem, o custo explode; comece com 10%.

Erros comuns

Sintoma	Causa
kubectl top indisponível	metrics-server down/TLS
Target down no Prometheus	ServiceMonitor/porta/labels errados
Dashboard vazio	datasource errado ou métrica renomeada
Prometheus sem disco	retenção/TSDB sem PVC
Alertas em loop	for curto demais ou regra sem histerese
Cardinalidade explodindo	labels de alta cardinalidade (pod, request id)

Checklist

• [ ] metrics-server funcionando (kubectl top).
• [ ] Prometheus com retenção e PVC.
• [ ] node-exporter e kube-state-metrics.
• [ ] Dashboards de cluster e aplicação.
• [ ] Alertas com severidade e runbook.
• [ ] Logs estruturados com correlação.
• [ ] Tracing com amostragem definida.

Glossário

• scrape: coleta periódica de métricas.
• TSDB: banco de séries temporais.
• PromQL: linguagem de consulta.
• ServiceMonitor: CRD do Prometheus Operator.
• SLO: objetivo de nível de serviço.
• cardinalidade: número de combinações de labels.

Próximo

Agora que você enxerga o cluster, vamos entender os operadores — o que eles fazem, quando usar e por que eles mudam a forma de operar dados.

Próximo: Curso Kubernetes 14 — Operadores: o que são e por que usar