Monitoramento de aplicações Kotlin: métricas e alertas de nível avançado

Monitoramento de aplicações Kotlin: métricas e alertas de nível avançado

No desenvolvimento de software moderno, o monitoramento deixou de ser uma opção — é um elemento obrigatório da infraestrutura de produção. Para aplicações Kotlin que operam sob alta carga, a simples criação de logs não é suficiente. É necessária uma observability completa: coleta de métricas, configuração de alertas e visualização de dados em tempo real. Neste artigo, abordaremos técnicas avançadas de monitoramento de aplicações Kotlin usando o stack Prometheus, Grafana e Micrometer.

1. Ferramentas: Micrometer e Prometheus

A melhor maneira de implementar monitoramento em uma aplicação Kotlin é usar a biblioteca Micrometer. Ela fornece uma fachada para vários sistemas de monitoramento, incluindo o Prometheus. O Micrometer suporta tanto métricas da JVM quanto indicadores de negócio personalizados.

Vamos adicionar as dependências no build.gradle.kts:

dependencies {    implementation("io.micrometer:micrometer-core:1.12.0")    implementation("io.micrometer:micrometer-registry-prometheus:1.12.0")    implementation("io.ktor:ktor-server-metrics-micrometer:2.3.7")}

Para uma aplicação Ktor, a configuração fica assim:

import io.ktor.server.engine.*import io.ktor.server.netty.*import io.ktor.server.application.*import io.ktor.server.metrics.micrometer.*import io.micrometer.prometheus.PrometheusMeterRegistryimport io.micrometer.prometheus.PrometheusConfig

fun main() {    val meterRegistry = PrometheusMeterRegistry(PrometheusConfig.DEFAULT)

    embeddedServer(Netty, port = 8080) {        install(MicrometerMetrics) {            registry = meterRegistry            // Adiciona métricas padrão da JVM            meterRegistry.config().commonTags("application", "my-kotlin-app")        }        routing {            get("/metrics") {                call.respond(meterRegistry.scrape())            }        }    }.start(wait = true)}

Este código coleta automaticamente métricas de requisições HTTP, pool de threads e JVM. O endpoint /metrics fornece os dados no formato do Prometheus.

2. Métricas personalizadas: indicadores de negócio

Muitas vezes, as métricas padrão não são suficientes. Para um monitoramento avançado, é necessário coletar indicadores de negócio: número de pedidos, tempo de processamento de pagamentos, frequência de erros de validação.

Exemplo de criação de um contador e um timer personalizados:

import io.micrometer.core.instrument.Counterimport io.micrometer.core.instrument.MeterRegistryimport io.micrometer.core.instrument.Timerimport java.util.concurrent.TimeUnit

class OrderMetrics(private val registry: MeterRegistry) {    private val orderCounter: Counter = Counter.builder("orders.created")        .description("Total number of created orders")        .register(registry)

    private val processTimer: Timer = Timer.builder("orders.processing.time")        .description("Time to process an order")        .publishPercentiles(0.5, 0.95, 0.99)        .register(registry)

    fun recordOrderCreation() {        orderCounter.increment()    }

    fun measureProcessingTime(block: () -> Unit) {        processTimer.record(block)    }}

Uso no serviço:

class OrderService(private val metrics: OrderMetrics) {    fun createOrder(order: Order): Order {        metrics.recordOrderCreation()        return metrics.measureProcessingTime {            // lógica de negócio            Thread.sleep(100) // simulação            order        }    }}

Observe os percentis: eles permitem rastrear não apenas o tempo médio, mas também as "caudas" (p99), o que é crítico para SLAs.

3. Configuração de alertas no Prometheus

A coleta de métricas é inútil sem um sistema de notificação. Os alertas são configurados no arquivo de configuração do Prometheus (alert.rules.yml).

Exemplo de regras para Kotl