Observabilidade e SLO — Fase 3

SLOs

Indicador	Meta	Janela
Disponibilidade POST /api/messages	>= 99.5%	mensal
Latência p95 POST /api/messages	<= 5s	semanal
Taxa de erro 5xx	<= 1%	diária
Sucesso de processamento no worker	>= 99%	diária
Tempo para detecção de falha crítica	<= 5 min	contínua

Métricas principais

• http.health.requests
• rate_limit.allowed e rate_limit.denied
• sqs.enqueue.success e sqs.enqueue.failure
• worker.batch.records
• worker.export.completed e worker.job.failure
• span.bot_handler_request.duration_ms
• span.worker_job.duration_ms

Dashboards recomendados

Dashboard	Conteúdo
Bot Handler Overview	Invocations, Errors, Duration p95, taxa 429
Worker Export Overview	Throughput, falhas, retries, profundidade SQS/DLQ
Governança e Segurança	Eventos RBAC, tentativas negadas, payloads inválidos

Alertas recomendados

• Erro 5xx > 1% por 5 minutos
• worker.job.failure acima de baseline por 10 minutos
• Mensagens em DLQ > 0 por 5 minutos
• Latência p95 acima de 5s por 10 minutos

Processo operacional

1. Monitoramento contínuo via dashboard.
2. Disparo de alerta para on-call.
3. Execução do runbook correspondente:
   • Runbook Bot Handler
   • Runbook Worker Export