Monitoramento de aplicações Kotlin: métricas e alertas do A ao Z

Introdução: Por que o monitoramento é vital para aplicações Kotlin

Aplicações Kotlin modernas, executadas na JVM (Java Virtual Machine), frequentemente se tornam nós críticos da infraestrutura. Sem o monitoramento adequado, você corre o risco de enfrentar falhas repentinas, vazamentos de memória ou degradação de desempenho que passarão despercebidos até o momento do incidente. Neste artigo, vamos detalhar como construir um sistema completo de monitoramento de aplicações Kotlin "do A ao Z": desde a coleta de métricas básicas (CPU, memória, GC) até a configuração de alertas no Grafana e Prometheus.

Abordaremos três ferramentas principais: Micrometer (fachada para métricas), Prometheus (armazenamento e coletor) e Grafana (visualização e alertas). Todos os exemplos de código são escritos em Kotlin.

1. Fundamentos da coleta de métricas: Micrometer e Prometheus

Micrometer é a fachada padrão de fato para monitoramento no ecossistema Spring e Kotlin. Ele fornece uma API unificada para enviar métricas para vários sistemas (Prometheus, Datadog, New Relic, etc.).

1.1. Adicionando dependências (Gradle)

dependencies {\n    implementation("io.micrometer:micrometer-registry-prometheus:1.12.0")\n    implementation("org.springframework.boot:spring-boot-starter-actuator")\n}

Para Ktor ou Kotlin puro sem Spring, você pode adicionar apenas micrometer-core e micrometer-registry-prometheus.

1.2. Configuração básica do Micrometer no Spring Boot

No application.yml, basta ativar o Actuator e o endpoint Prometheus:

management:\n  endpoints:\n    web:\n      exposure:\n        include: health,info,prometheus\n  metrics:\n    export:\n      prometheus:\n        enabled: true

Após iniciar a aplicação, as métricas estarão disponíveis em /actuator/prometheus.

1.3. Criando métricas personalizadas (exemplo em Kotlin)

Suponha que você queira contar o número de pedidos processados e o tempo de processamento:

import io.micrometer.core.instrument.MeterRegistry\nimport io.micrometer.core.instrument.Timer\nimport org.springframework.stereotype.Service\nimport java.util.concurrent.atomic.AtomicLong\n\n@Service\nclass OrderService(private val registry: MeterRegistry) {\n\n    private val processedOrders: AtomicLong = registry.gauge(\n        "orders.processed.count",\n        AtomicLong(0)\n    )\n    private val orderProcessingTime: Timer = registry.timer("orders.processing.time")\n\n    fun processOrder(orderId: String) {\n        val sample = Timer.start()\n        try {\n            // Lógica de processamento do pedido\n            Thread.sleep((50..200).random().toLong())\n            processedOrders.incrementAndGet()\n        } finally {\n            sample.stop(orderProcessingTime)\n        }\n    }\n}

Agora, as métricas orders_processed_count e orders_processing_time_seconds aparecerão no Prometheus.

2. Configurando o Prometheus para coleta de métricas

Prometheus é um servidor que "raspa" (solicita) métricas de suas aplicações em intervalos agendados.

2.1. Configuração do prometheus.yml

Adicione seu serviço Kotlin como alvo (target):

scrape_configs:\n  - job_name: 'kotlin-app'\n    metrics_path: '/actuator/prometheus'\n    static_configs:\n      - targets: ['localhost:8080']

Se a aplicação estiver rodando em Docker/Kubernetes, use service discovery.

2.2. Métricas JVM importantes por padrão

O Micrometer exporta automaticamente várias métricas da JVM:

\n
• jvm_memory_used_bytes — memória usada (heap/non-heap)
\n
• jvm_gc_pause_seconds — tempo de pausas do GC
\n
• jvm_threads_live_threads — número de threads ativas
\n
• process_cpu_usage — uso de CPU pelo processo
\n

Esses dados já estão disponíveis no Prome