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".
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
Cloud-native = artefatos imutáveis, estado declarativo, elasticidade, automação — sobre apps sem estado e descartáveis.
Escolha o modelo de serviço por componente — um modelo é um serviço, não uma empresa; dados, identidade e config são sempre seus.
Imagens pequenas, em camadas e assinadas, implantadas por digest; encerramento gracioso no SIGTERM.
O Kubernetes é um laço de controle; acerte probes, requests/limits e PodDisruptionBudgets; reserve espaço para um nó perdido.
O autoscaling atrasa: pré-escale para picos conhecidos.
IaC + CI + GitOps + canary controlado por métricas de SLO + migrações expand/contract.
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.