Arquitetura de Sistemas · Insper

Plataformas cloud-native e entrega

Onde o código roda, como chega lá, como escala — e quem paga

O BoxOffice sai do notebook

Nove serviços rodam bem com docker compose up. O que muda na manhã em que um show de estádio abre as vendas?

  • 20× o tráfego por 30 minutos, depois volta ao normal — e ninguém quer pagar por máquinas ociosas.
  • Uma correção no inventory às 09:55 precisa ir ao ar sem indisponibilidade às 10:00.
  • Alguém precisa saber quanto custa antes de a fatura chegar.
  • Nenhum desses é problema da aplicação: são problemas de plataforma.

O que "cloud-native" significa

Ideia Exemplo no BoxOffice
Artefatos imutáveis inventory:1.8.3 construída uma vez, promovida sem mudanças
Estado desejado declarativo "5 réplicas de catalog" — um controlador torna isso verdade
Elasticidade catalog 4 → 40 réplicas durante a venda
Automação de ponta a ponta pull request aceito → pipeline → produção

A aplicação precisa cooperar: processos sem estado, config vinda do ambiente, início rápido e encerramento gracioso, logs em stdout (twelve-factor).

Modelos de serviço: quem opera o quê

Infraestrutura, containers, plataforma, funções, software como serviço (IaaS, CaaS, PaaS, FaaS, SaaS, as a service); bancos gerenciados são DBaaS.

On-premises
IaaS
CaaS
PaaS
FaaS
SaaS
Dados e regras de acesso
você
você
você
você
você
você
Código da aplicação
você
você
você
você
você
provedor
Runtime (JVM, Python)
você
você
você
provedor
provedor
provedor
Orquestração e escala
você
você
provedor
provedor
provedor
provedor
Sistema operacional
você
você
compart.
provedor
provedor
provedor
Virtualização, hardware
você
provedor
provedor
provedor
provedor
provedor
  • Sua parte encolhe uma camada por modelo, exceto do PaaS para o FaaS (mesma coluna: uma aplicação ou uma função).
  • Em qualquer modelo, dados, identidades e regras de acesso continuam seus: um bucket público é erro do cliente.

Quem age quando algo acontece?

Evento Camada IaaS CaaS PaaS / FaaS
Falha no JDK runtime você você (JDK na sua imagem) provedor
Falha no kernel SO você compartilhado (nós) provedor
Abertura 20× orquestração e escala você sobe VMs plataforma, dentro dos seus limites plataforma, dentro dos seus limites
Bucket público dados e acesso você você você (e no SaaS também)

Simulador na página: escolha um modelo e um evento e veja qual camada ele atinge e quem age.

Quem oferece cada modelo

Modelo AWS Google Cloud Microsoft Azure Outros provedores
IaaS EC2 Compute Engine Virtual Machines DigitalOcean, Oracle Cloud, Magalu Cloud
CaaS EKS, ECS on Fargate GKE, Cloud Run AKS, Container Apps DigitalOcean Kubernetes, OVHcloud
PaaS Elastic Beanstalk App Engine App Service Heroku, Railway, Render, Fly.io
FaaS Lambda Cloud Run functions Azure Functions Cloudflare Workers, Vercel
DBaaS RDS, Aurora, ElastiCache, MSK Cloud SQL, AlloyDB, Memorystore Azure Database, Managed Redis Neon, Supabase, Aiven
SaaS SES (e-mail) Workspace Microsoft 365, Dynamics 365 Stripe, Mercado Pago, Datadog, TOTVS, RD Station

Leia por colunas: a AWS está em todas as linhas — um modelo descreve um serviço, não uma empresa.

BoxOffice, componente por componente

CaaS · Kubernetes gerenciado
gateway · catalog · inventory · order · search
DBaaS · gerenciados
PostgreSQL Multi-AZ
Redis · Kafka
FaaS
miniaturas · webhooks
SaaS
pagamentos · e-mail

Por que não rodar tudo em FaaS?

  • Pools de conexão: milhares de funções de vida curta esgotariam o PostgreSQL.
  • Cold starts e limites de concorrência prejudicam justamente no pico das 10:00.
  • Custo com carga constante: um serviço ocupado 24/7 sai mais barato em containers sempre ligados (equilíbrio da página de FinOps).

Engenharia de plataforma: caminhos dourados

time de produtoorder, inventory…
usa →
portal do desenvolvedorex.: Backstage
→
template de serviçoDockerfile · manifests · pipeline
ambientes self-service
dashboards e alertas embutidos
→
plataformaKubernetes · Argo CD · módulos Terraform · políticas
  • Uma plataforma interna de desenvolvimento (IDP, internal developer platform), construída como produto por um time de plataforma para os demais times.
  • Um caminho dourado é opcional, mas atraente: um serviço novo ganha imagem endurecida, probes, pipeline, canary e dashboards no primeiro dia.

Trate a plataforma como um produto com usuários — senão ela vira a fila de chamados de novo.

Containers são processos

Namespaces — o que ele vê

  • PIDs, rede, montagens, hostname próprios
  • catalog é o PID 1 no próprio mundo

cgroups — o que ele pode usar

  • limites de CPU, memória, I/O
  • acima do limite de memória → OOMKilled

vs. máquinas virtuais

  • um kernel compartilhado — inicia em ms, alta densidade
  • isolamento mais fraco → nuvens multi-inquilino acrescentam micro-VMs (Firecracker, gVisor)

A máquina virtual Java (JVM, Java virtual machine) deve dimensionar o heap pelo limite do container: -XX:MaxRAMPercentage=75.

Uma imagem de produção para o catalog

FROM maven:3.9-eclipse-temurin-21 AS build
WORKDIR /src
COPY pom.xml .
RUN mvn -q dependency:go-offline          # cached until pom.xml changes
COPY src ./src
RUN mvn -q package -DskipTests && java -Djarmode=tools -jar target/catalog.jar \
      extract --layers --launcher --destination target/extracted

FROM gcr.io/distroless/java21-debian12:nonroot
COPY --from=build /src/target/extracted/dependencies/ ./
COPY --from=build /src/target/extracted/application/ ./
ENV JAVA_TOOL_OPTIONS="-XX:MaxRAMPercentage=75"
USER nonroot
ENTRYPOINT ["java", "org.springframework.boot.loader.launch.JarLauncher"]

Multi-stage · dependências antes do código · distroless · não root · forma exec para o SIGTERM chegar ao Java.

Encerramento gracioso, passo a passo

pod Terminatingremovido dos endpoints
+
preStop: dorme 5 sos proxies se atualizam
→
SIGTERM
→
para de aceitar, termina o que está em andamentoaté 20 s
→
exit 0
ainda rodando após o período de graça de 30 s → SIGKILL
  • Spring Boot: server.shutdown: graceful e timeout-per-shutdown-phase: 20s — menos que os 30 s do Kubernetes.
  • ENTRYPOINT na forma exec: o Java é o PID 1 e recebe o SIGTERM (na forma shell, o sh o engole).

Imagens e a cadeia de suprimentos

  • Uma imagem OCI (Open Container Initiative) = manifest + config + camadas, todos endereçados por digest SHA-256.
  • Tags se movem; digests não — faça deploy por digest.
  • Varredura (Trivy) · SBOM, lista de materiais do software (software bill of materials: Syft, CycloneDX) · assinatura (Cosign) · proveniência (SLSA, supply-chain levels for software artifacts).
  • Nunca grave segredos nas camadas: eles ficam no histórico para sempre.

Imagens pequenas e em camadas = escala mais rápida: cada nó novo precisa baixar a imagem antes de o pod iniciar.

Kubernetes: o laço de controle

estado desejadoAPI server + etcd · "4 réplicas"
observa →
o controlador comparareal: 2 (um nó morreu)
→
agecria 2 pods
→
o scheduler associaum nó com espaço
→
o kubelet inicia, as probes passamreal = desejado
↺ para sempre, a cada poucos segundos: nada a fazer enquanto real = desejado
  • Autorrecuperação, rolling updates e autoscaling são todos o mesmo laço.
  • A API é declarativa e idempotente: aplicar o mesmo manifest duas vezes não muda nada.

Os objetos por trás de um serviço

Objeto Papel para o catalog
Deployment 4 pods idênticos; rolling update com maxUnavailable: 0
Service nome DNS estável catalog:8080 na frente de pods que mudam
HTTPRoute (Gateway API) /catalog da internet → Service; backends com peso para canaries
ConfigMap / Secret URL do banco / credenciais como variáveis de ambiente
HPA (autoescalador horizontal de pods) 4 → 40 réplicas, meta de 60 % da CPU do request
PodDisruptionBudget nunca menos de 3 pods durante upgrades de nós
topologySpreadConstraints réplicas espalhadas entre zonas de disponibilidade

Probes respondem a três perguntas diferentes

Probe Pergunta Em caso de falha
Startup terminou de iniciar? (aquecimento da JVM) outras desativadas; reinicia após o limiar
Readiness devo receber tráfego agora? removido dos endpoints — sem reinício
Liveness travou sem conserto? container reiniciado

Nunca coloque o banco na liveness (tempestade de reinícios) — nem na readiness: uma piscada do banco deixa todos os pods não prontos de uma vez.

Requests, limits, throttling

  • Request = o que o scheduler reserva; a base da porcentagem do HPA.
  • Limite de memória excedido → OOMKilled (um erro).
  • Limite de CPU excedido → throttled (latência, não erros).

CPU média de 45 %, p99 instável. Por quê?

  • As threads queimam a cota de 100 ms do escalonador CFS (completely fair scheduler) no começo de cada período e esperam o resto.
  • Verifique container_cpu_cfs_throttled_periods_total; mantenha o request de CPU, considere não ter limite de CPU.

Perdendo um nó

um nó morre2 pods do catalog
→
quem chama ainda envia a elesdezenas de segundos
→
NotReady, endpoints atualizados
→
pods despejadostolerations: 5 min por padrão
→
há espaço: reagendados
cluster lotado: Pending
  • A autorrecuperação precisa de espaço (N + 1 nós) e de atualização rápida dos endpoints.
  • Playground k8s-node-failure (3 nós lotados): erros ≈ 27% → 25% com espaço → ≈ 4% com endpoints atualizados rápido.

Autoscaling em três níveis — e seu atraso

  • HPA (pods): desired = ⌈current × metric / target⌉ → 4 pods a 90 % com meta de 60 % → 6.
  • Cluster Autoscaler / Karpenter (nós): minutos — boot da VM, entrada no cluster, download da imagem.
  • KEDA, autoescalador orientado a eventos do Kubernetes (eventos): atraso do Kafka, tamanho da fila, cron; escala a zero.

Uma venda relâmpago vai de 5 % a 100 % em segundos; o autoscaling precisa de minutos. Pré-escale às 09:45, mantenha nós livres e deixe uma sala de espera controlar a admissão.

O pipeline de entrega

pull request
→
CIbuild · teste · varredura · SBOM · assinatura · push
→
repo de configdigest atualizado
→
Argo CDsincroniza o cluster com o Git
→
canary5 → 25 → 50 %
→
saudável: 100 %
degradado: rollback
  • A integração contínua (CI, continuous integration) nunca toca a produção: só escreve no Git. Construa uma vez, promova por digest.
  • Infraestrutura como código (IaC, infrastructure as code), Terraform / OpenTofu: nuvem privada virtual (VPC), cluster, PostgreSQL, buckets como código revisado; estado remoto e com lock; um plan agendado detecta deriva.

GitOps: puxe, não empurre

Push (kubectl apply na CI) Pull (Argo CD, Flux)
Credenciais a CI é cluster-admin só o agente no cluster
Deriva passa despercebida detectada, revertida (selfHeal)
Auditoria logs da CI git log
Rollback rodar um pipeline de novo git revert

OpenGitOps: declarativo · versionado e imutável · puxado automaticamente · continuamente reconciliado.

Estratégias de deploy

Estratégia Indisponibilidade Capacidade extra Rollback Raio de impacto inicial
Recreate sim nenhuma lento 100 %
Rolling update não pequena gradual cresce
Blue/green não 2× por pouco tempo troca instantânea 100 %
Canary não pequena peso → 0 1–5 %
Shadow não até 2× n/a 0 % (efeitos colaterais!)
Feature flags não nenhuma desligar a flag usuários escolhidos

O banco não faz rollback: expand / contract para que duas versões rodem lado a lado.

Expand / contract: o banco não faz rollback

v1 usa email
→
1 expandadiciona buyer_email, anulável
→
2 v2 escreve nas duaslê a nova, cai para a antiga
→
3 backfill
→
4 contractremove email na release seguinte
renomear em uma release → pods da v1 ainda rodando consultam uma coluna que sumiu
  • Pods antigos e novos convivem em todo rolling update ou canary: cada passo precisa funcionar com os dois.

Canary julgado por métricas

  • Argo Rollouts: setWeight 5 → 25 → 50, um AnalysisTemplate consulta o Prometheus a cada minuto.
  • Aborta quando a taxa de erros > 0,5 % ou o p99 > 300 ms do canary duas vezes — comparado com a linha de base estável, mesmo tráfego, mesmo horário.
Regressão (base 0,1 %) Requisições necessárias Tempo a 5 % de 400 req/s
→ 1,0 % ≈ 835 < 1 min
→ 0,5 % ≈ 2 300 ≈ 2 min
→ 0,2 % ≈ 18 500 ≈ 15 min

Etapas de canary duram minutos, não segundos: erros raros precisam de amostras.

DORA: velocidade e estabilidade juntas

DORA (DevOps Research and Assessment): quatro métricas que se movem juntas.

Métrica Mede
Frequência de deploy vazão
Lead time de mudanças vazão
Taxa de falha de mudanças estabilidade
Tempo para restaurar o serviço estabilidade
  • Times de alto desempenho são melhores nas quatro: mudanças pequenas, frequentes e verificadas automaticamente são mais rápidas e mais seguras.
  • IA no pipeline (revisão de pull requests, testes gerados, análise de canary por IA) → aula Entrega assistida por IA.

De CapEx para OpEx

Capacidade vs demanda Dois gráficos de recursos ao longo do tempo com a mesma demanda crescente. À esquerda, CapEx: a capacidade cresce em degraus grandes comprados com antecedência; fica muito acima da demanda por longos períodos (capacidade ociosa que você pagou) e fica abaixo dela antes de a próxima compra chegar (falta). À direita, OpEx: a capacidade acompanha a demanda de perto, com uma pequena folga. CapEx: capacidade comprada em degraus tempo → recursos → OpEx: capacidade acompanha a demanda tempo → recursos → compra compra capacidade demanda ociosa (paga e não usada) falta (demanda perdida)

A despesa de capital (CapEx, capital expenditure) compra capacidade em degraus meses antes: ociosa depois de cada compra, em falta antes da próxima. A despesa operacional (OpEx, operational expenditure) acompanha a demanda: o BoxOffice roda 6 nós o mês todo e outros 24 só nas 8 horas de aberturas.

FinOps: informar → otimizar → operar

  • Informar: tags (service, team, env), custo do Kubernetes por requests (OpenCost), showback.
  • Otimizar: rightsizing, autoscaling, compromissos para o piso, spot para trabalho interrompível, ARM, menos saída de dados.
  • Operar: orçamentos, alertas de anomalia, políticas, revisão mensal ao lado da revisão dos objetivos de nível de serviço (SLOs, service level objectives).

As surpresas vêm de itens fixos por hora (control plane, load balancer, NAT gateway), transferência de dados e observabilidade — não das CPUs.

BoxOffice: para onde vai o dinheiro (modelo)

Item (aprox., us-east-1) US$/mês
Saída da rede de distribuição de conteúdo (CDN), 20 TB ≈ 1 700
Nós de trabalho, 6 sempre ligados ≈ 840
Kafka, 3 brokers ≈ 610
PostgreSQL Multi-AZ + réplica ≈ 560
Logs, 1 TB ingerido ≈ 500
Redis, NAT, load balancer, control plane, e-mail… ≈ 790
24 nós extras para 4 vendas × 2 h ≈ 37

O pico é barato quando é elástico: os mesmos 24 nós sempre ligados custariam ≈ US$ 3 400/mês.

Pagar por requisição ou por hora?

  • FaaS: sem piso, custo maior por requisição. Containers: piso fixo, custo marginal baixo.
  • Com as premissas da página, o equilíbrio fica em ≈ 10 req/s de média.
  • A média decide o custo do FaaS; o pico decide o tamanho dos containers.
  • BoxOffice: miniaturas e webhooks em FaaS; o caminho de compra em containers.

Multi-AZ dobra a conta do banco. Desperdício?

  • Não — compra disponibilidade. FinOps não é "gastar menos", é "saber o que cada real compra".

O mapa de conceitos de cloud-native

Componente Pergunta que responde Conceitos-chave
app · worker empacotado para rodar igual em todo lugar? stateless, imagem OCI, digest, desligamento gracioso
app · ingress · healthcheck quem mantém N réplicas saudáveis? laço de controle, Service, probes, requests/limits
app · worker · scheduler como a capacidade acompanha a venda? HPA, autoscaler de nós, KEDA, pré-escala
serverless pagar por requisição ou por hora? cold starts, concorrência, ponto de equilíbrio
sql · cache · kafka · payment quem opera cada componente? IaaS … SaaS, responsabilidade compartilhada
metrics · ingress como uma mudança chega à produção? IaC, GitOps, canary julgado por SLOs
cdn · nat · logs para onde vai o dinheiro? fixo vs variável, egress, unit economics

Cloud-native não é uma caixa no diagrama: é como cada caixa é empacotada, executada, entregue e paga.

Pontos-chave

  1. Cloud-native = artefatos imutáveis, estado declarativo, elasticidade, automação — sobre apps sem estado e descartáveis.
  2. Escolha o modelo de serviço por componente — um modelo é um serviço, não uma empresa; dados, identidade e config são sempre seus.
  3. Imagens pequenas, em camadas e assinadas, implantadas por digest; encerramento gracioso no SIGTERM.
  4. O Kubernetes é um laço de controle; acerte probes, requests/limits e PodDisruptionBudgets; reserve espaço para um nó perdido.
  5. O autoscaling atrasa: pré-escale para picos conhecidos.
  6. IaC + CI + GitOps + canary controlado por métricas de SLO + migrações expand/contract.
  7. FinOps: OpEx acompanha a demanda, mas não é automaticamente mais barato; tags, modelo e otimização do que domina — em geral dados, saída de dados e itens fixos.

Roteiro: (1) cloud-native e modelos de serviço; (2) containers; (3) Kubernetes; (4) IaC, CI, GitOps, estratégias de deploy e análise de canary; (5) FinOps e o modelo de custo do BoxOffice.

Deixe a turma listar os problemas antes de revelar. Cada item corresponde a uma parte da aula: elasticidade (Kubernetes), entrega segura (GitOps + canary), custo (FinOps).

A tabela da página, como matriz. A única célula compartilhada é o SO no CaaS: com node groups clássicos o time troca os nós pela imagem corrigida do provedor; com Fargate ou GKE Autopilot o provedor faz tudo.

O simulador responsibility-stack fica sob a tabela da pilha, na visão geral. A abertura atinge uma camada real desta tabela (orquestração e escala): no CaaS o HPA adiciona pods, mas maxReplicas e o pré-escalonamento das 09:45 são do time. No on-premises a capacidade precisou ser comprada meses antes (CapEx, FinOps).

Na AWS, o BoxOffice é uma coluna só: EKS, RDS e ElastiCache, MSK, S3, Lambda. Nada obriga a uma empresa por sistema: os pagamentos vão para Stripe ou Mercado Pago, o código e o CI para o GitHub.

Multi-AZ: um standby em uma segunda zona de disponibilidade. PDFs de ingressos e imagens vão para o object store (S3), um serviço de armazenamento nível IaaS.

A remoção dos endpoints e o SIGTERM começam no mesmo instante; sem a pausa do preStop alguns proxies ainda enviam requisições a um pod que já não as aceita. O lab 10 mede isso: 0 requisições com falha com a pausa.

Pergunte: quem reinicia os pods quando um nó perde energia? Resposta: ninguém — o controlador do ReplicaSet vê 2 em vez de 4 e cria pods; o scheduler encontra espaço.

O diagrama da página toca os mesmos passos. Os erros restantes vêm dos sobreviventes carregando a carga de 6 pods com 4; 8 réplicas levam os erros a cerca de 1,7%.

Os mesmos passos do diagrama da página de Entrega. Nunca renomeie nem apague uma coluna na release que deixa de usá-la.

OpEx elimina a aposta adiantada, mas não é automaticamente mais barato: uma carga em uso total 24/7 durante anos pode custar menos em capacidade própria ou comprometida (os compromissos dos modelos de preço). E uma conta que segue o uso também segue cada erro, dentro do mês: é para isso que existe FinOps.