O documento discute a implementação de telemetria em uma plataforma usando InfluxDB e Grafana para fornecer visibilidade sobre o desempenho. Ele descreve como a telemetria resolveu problemas de falta de métricas e tendências, permitindo que os desenvolvedores identificassem problemas antes dos clientes. Explica como o InfluxDB armazena e consulta dados de séries temporais e como o Grafana pode ser usado para criar gráficos que representam esses dados.

1. InfluxDB + Grafana
Telemetria na sua plataforma
Celso Crivelaro
@celsocrivelaro

2. DEVELOPER @

5. Por quê?

6. Crise da
Plataforma

7. "O software está
lento..."

9. Healthcheck OK!
Logs OK!
Testes manuais OK!

10. Corrigimos o problema,
mas ainda ficou a falta
de visibilidade…

11. Healthcheck: OK / NOK
Não tínhamos números dos tempos da plataforma
Era muito difícil perceber tendências e casos
estranhos
Logs apenas mostram operações
Clientes percebiam problemas antes da gente

12. 1a IDEIA
Fazer um teste de carga

13. Dev / QA / Produção Diferentes
Não dá para quebrar Produção
Iria querer muito tempo de dev/ops
O número iria mostrar apenas o teto da plataforma

14. 2a IDEIA
Monitorações das máquinas

15. Monitoramento de memória / carga / disco / filas
As máquinas estavam OK, a app não
Qualquer variação da métrica causava alvoroço

16. 3a IDEIA
Telemetria

17. Inspirações

20. https://www.youtube.com/watch?v=czes-oa0yik

21. Com o quê?

22. App
influxdb-ruby
influxdb-python

23. Série Temporal
SQL Like / Schemaless
Boa documentação
Funções nativas com tempo

24. Estrutura do dado

25. Equivale a uma tabela SQL
Chave primáriaTime
Measurement
Values
Tags
Chaves-valor da medida,
não indexados
Metadados indexados,
sempre strings
cpu_load
load=30,temperature=50
server=name1,region=EMEA
POINT

26. > SELECT * FROM policy_entry
name: policy_entry
------------------
time cache_hit host success time
1464013724 1 saasauth0005 1 0.35
Fetching data

27. > SELECT * FROM policy_entry
name: policy_entry
------------------
time cache_hit host success time
1464013724 1 saasauth0005 1 0.35
Fetching data

28. Funções

29. count percentil
sum
mean
top
max
derivative
difference
moving_average
Aggregations Selectors Transformations

30. Funções de tempo

31. > SELECT * FROM messages where time < now() - 1h

32. Várias bases
Gráficos + Plugins

34. Como
representar os
dados?

35. Série Temporal
Padrões
Média de 1 min
Valores Absolutos
Valores Absolutos
Série Temporal

36. Percentil -> Para tempo e medidas
Percentil 95%

37. Percentil 95%
Média (1 min)
Percentil x Média

40. Obrigado!
@celsocrivelaro
http://crivelaro.me