Plataforma de Monitoramento Cloud com FastAPI, Prometheus e Grafana

Introdução

Com o crescimento das aplicações modernas e distribuídas em ambientes de nuvem, a necessidade de soluções robustas de monitoramento se torna cada vez mais crítica. A capacidade de observar o comportamento de uma aplicação em tempo real, prever falhas, identificar gargalos e acompanhar indicadores de desempenho é essencial para equipes de suporte, SRE, DevOps e Cloud Monitoring.

Este artigo apresenta a construção de uma plataforma completa de monitoramento, desenvolvida utilizando FastAPI, Prometheus, Grafana e Docker, totalmente executada em uma instância AWS Free Tier, sem qualquer custo adicional. O objetivo é demonstrar uma solução prática e profissional que pode ser aplicada tanto em ambientes corporativos quanto educacionais.

Objetivo do Projeto

Criar um ambiente de monitoramento moderno capaz de:

• Coletar métricas personalizadas de uma aplicação FastAPI
• Realizar scraping e armazenamento contínuo dessas métricas com Prometheus
• Visualizar tendências, alertas e indicadores via dashboards no Grafana
• Funcionar inteiramente na nuvem (AWS) em ambiente real
• Demonstrar domínio de observabilidade e arquitetura cloud

Arquitetura da Solução

A solução foi composta pelos seguintes componentes:

1. FastAPI
2. Serviço principal, simulando uma aplicação com endpoints que retornam métricas de CPU, memória, IO e um score de risco preditivo.
3. Prometheus Exporter (Python)
4. Responsável por coletar métricas da API e expor em formato compatível com Prometheus.
5. Prometheus
6. Sistema de scraping e banco temporal que armazena e processa métricas em tempo real.
7. Grafana
8. Plataforma de dashboards usada para criar visualizações dinâmicas e profissionais.
9. Docker e Docker Compose
10. Orquestração dos serviços, facilitando deploy e padronização.
11. AWS EC2 Free Tier
12. Ambiente final de execução, simulando um cenário corporativo.

Fluxo de Dados da Arquitetura

1. A aplicação FastAPI gera métricas e expõe endpoints (/metrics e /risk).
2. O Exporter Python coleta esses dados e os transforma em métricas Prometheus.
3. O Prometheus executa scraping periódico (a cada 5 segundos).
4. As métricas são então consultadas pelo Grafana.
5. O usuário acompanha tudo em dashboards visuais e interativos.

Implementação dos Componentes

1. Aplicação FastAPI

Foi criada uma API simples, porém funcional, capaz de simular comportamento real de uso de recursos. A cada requisição, valores de CPU, memória e IO são gerados dinamicamente. Além disso, foi implementado um algoritmo de risk score que identifica potencial risco de falha baseado no consumo de recursos.

2. Exporter Prometheus Customizado

Diferente de exporters prontos, um exporter customizado em Python foi criado para permitir total controle sobre quais métricas seriam coletadas. Isso demonstra conhecimento avançado e entendimento das necessidades reais de monitoramento.

As métricas expostas foram:

• cpu_usage
• mem_usage
• risk_score

3. Prometheus

O Prometheus foi configurado via Docker Compose com integração direta à configuração do Host. O scraping foi ajustado para ocorrer em intervalos de alta frequência (5s), garantindo observabilidade em tempo real.

4. Grafana

O Grafana foi usado para criar dashboards personalizados, incluindo:

• Gráfico de CPU em tempo real
• Gauge de memória em uso
• Gauge de risco preditivo
• Time series de desempenho

Essas visualizações entregam dados essenciais para equipes que precisam agir rapidamente diante de incidentes.

Resultados Obtidos

A solução permitiu:

✔ Monitoramento completo em tempo real

Todos os dados da API eram enviados ao Prometheus via Exporter e exibidos automaticamente no Grafana.

✔ Visualizações profissionais

Dashboard altamente visual, com gauges, gráficos e cores indicativas de alertas.

✔ Funcionamento estável em ambiente AWS

Tudo rodou perfeitamente na EC2 t2.micro, demonstrando que a solução é leve e viável para ambientes reais.

✔ Métricas personalizadas

O risk score trouxe uma camada adicional de inteligência, útil para prever anomalias antes que se agravem.

✔ Escalabilidade

Toda a stack é baseada em containers, podendo ser replicada ou expandida facilmente.

Discussão Técnica

A utilização de Prometheus e Grafana segue padrões amplamente usados por empresas de grande porte como:

• Netflix
• Google
• Airbnb
• Nubank
• Cloudflare

O modelo implementado neste projeto é similar ao que equipes de Cloud Support, SRE, DevOps e Observabilidade utilizam diariamente.

Além disso:

• Docker garante consistência do ambiente
• FastAPI demonstra domínio em APIs modernas
• O exporter mostra habilidade em integrar sistemas
• O deploy na AWS valida capacidade de operar em cloud real

Conclusão

Este projeto demonstra, de forma completa e prática, como construir uma solução profissional de monitoramento em nuvem.

Ele evidencia competências essenciais para vagas de:

• Analista Técnico Cloud
• Analista de Monitoramento
• Observabilidade
• DevOps / SRE (iniciante)
• Cloud Support Analyst (como na Senior Sistemas)

A stack apresentada é moderna, eficiente, gratuita para uso e altamente aplicável em ambientes corporativos.

Com este projeto, você demonstra:

• Conhecimento técnico real
• Capacidade de implementar sistemas completos
• Entendimento de conceitos de observabilidade
• Habilidade em diagnosticar e monitorar aplicações
• Experiência prática em cloud computing

Este artigo está pronto para ser utilizado em:

✔ Apresentações

✔ Entrevistas

✔ Relatórios técnicos

✔ Portfólio no GitHub

✔ Trabalhos acadêmicos

Github:https://github.com/JailsonsouzaStarCityCorp/Cloud-Monitoring-FastAPI-Prometheus-Grafana-AWS-Free-Tier-