Saúde de Recursos AWS e Diagnóstico de Problemas

Este fluxo de trabalho analisa um recurso AWS específico para avaliar seu status de saúde, diagnosticar problemas potenciais usando logs e métricas do CloudWatch e desenvolver um plano de remediação abrangente para quaisquer problemas descobertos.

Pré-requisitos

• AWS CLI configurado e autenticado
• Recurso AWS alvo identificado (nome, tipo e, opcionalmente, região/conta)
• Logs e métricas do CloudWatch habilitados no recurso alvo

Etapas do Fluxo de Trabalho

Etapa 1: Obter Melhores Práticas de Diagnóstico AWS

Busque https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/ para orientação de monitoramento e solução de problemas para informar a abordagem de diagnóstico.

Etapa 2: Descoberta e Identificação de Recursos

Localize o recurso alvo usando o comando AWS CLI apropriado para seu tipo:

# EC2
aws ec2 describe-instances --filters "Name=tag:Name,Values=<name>"
# Lambda
aws lambda get-function --function-name <name>
# RDS
aws rds describe-db-instances --db-instance-identifier <name>
# ECS
aws ecs describe-services --cluster <cluster> --services <name>
# ALB
aws elbv2 describe-load-balancers --names <name>
# DynamoDB
aws dynamodb describe-table --table-name <name>
# SQS
aws sqs get-queue-attributes --queue-url <url> --attribute-names All
# API Gateway
aws apigatewayv2 get-apis

Se várias correspondências forem encontradas, solicite ao usuário que especifique a região/conta.

Etapa 3: Avaliação do Status de Saúde

Execute verificações de saúde específicas do serviço:

# EC2
aws ec2 describe-instance-status --instance-ids <id>

# RDS
aws rds describe-db-instances --db-instance-identifier <name> \
  --query 'DBInstances[0].DBInstanceStatus'

# Lambda - error rate over 24h
aws cloudwatch get-metric-statistics --namespace AWS/Lambda \
  --metric-name Errors --dimensions Name=FunctionName,Value=<name> \
  --start-time $(date -u -d '24 hours ago' +%Y-%m-%dT%H:%M:%SZ) \
  --end-time $(date -u +%Y-%m-%dT%H:%M:%SZ) \
  --period 3600 --statistics Sum

# ECS
aws ecs describe-services --cluster <cluster> --services <name> \
  --query 'services[0].[status,runningCount,desiredCount,pendingCount]'

Principais indicadores de saúde por tipo de serviço:

• Lambda: Taxa de erros, taxa de throttling, duração P99, execuções simultâneas
• RDS: Utilização de CPU, Espaço Livre de Armazenamento, Conexões de Banco de Dados, Latência de Leitura/Latência de Gravação
• ECS: Contagem de tarefas em execução vs. desejada, motivo de parada da tarefa
• ALB: Tempo de Resposta do Destino, Contagem de Códigos HTTP_ELB_5XX, Contagem de Hosts Não Saudáveis
• SQS: Número Aproximado de Mensagens Não Visíveis, Idade Aproximada da Mensagem Mais Antiga
• DynamoDB: Unidades de Capacidade de Leitura Consumidas, Requisições Throttled, Latência de Requisição Bem-Sucedida

Etapa 4: Análise de Logs e Métricas

Encontre grupos de logs e execute consultas do CloudWatch Logs Insights:

# Find log groups
aws logs describe-log-groups --log-group-name-prefix /aws/<service>/<name>

# Start a query (last 24h errors)
aws logs start-query \
  --log-group-name /aws/lambda/<name> \
  --start-time $(date -u -d '24 hours ago' +%s) \
  --end-time $(date -u +%s) \
  --query-string 'filter @message like /ERROR/ | stats count(*) as errorCount by bin(1h)'

# Get results
aws logs get-query-results --query-id <id>

# Lambda cold starts
aws logs start-query \
  --log-group-name /aws/lambda/<name> \
  --start-time $(date -u -d '24 hours ago' +%s) \
  --end-time $(date -u +%s) \
  --query-string 'filter @type = "REPORT" | filter @initDuration > 0 | stats count() as coldStarts by bin(1h)'

# RDS Performance Insights (if enabled)
aws pi get-resource-metrics \
  --service-type RDS --identifier db:<identifier> \
  --metric-queries '[{"Metric":"db.load.avg"}]' \
  --start-time $(date -u -d '24 hours ago' +%Y-%m-%dT%H:%M:%SZ) \
  --end-time $(date -u +%Y-%m-%dT%H:%M:%SZ) \
  --period-in-seconds 3600

Identifique: padrões de erro recorrentes, correlação com implantações (CloudTrail), tendências de desempenho, falhas de dependência.

Etapa 5: Classificação de Problemas e Análise de Causa Raiz

Gravidade:

• Crítico: Serviço indisponível, perda de dados, incidentes de segurança
• Alto: Degradação de desempenho, taxas de erro >5%, falhas intermitentes
• Médio: Avisos, configuração subótima, problemas de desempenho menores
• Baixo: Alertas informativos, oportunidades de otimização

Categorias de Causa Raiz:

• Problemas de Configuração: configurações incorretas, variáveis de ambiente ausentes, negações de permissão IAM
• Restrições de Recursos: limites de CPU/memória/disco, throttling do Lambda, esgotamento de conexões RDS
• Problemas de Rede: regras de grupo de segurança, roteamento VPC, DNS, NACLs

…