Guia de Monitoramento e Métricas do OmniPGW

Integração com Prometheus e Monitoramento Operacional

por Omnitouch Network Services

---

Índice

1. Visão Geral
2. Endpoint de Métricas
3. Métricas Disponíveis
4. Configuração do Prometheus
5. Painéis do Grafana
6. Alertas
7. Monitoramento de Performance
8. Solução de Problemas com Métricas

---

Visão Geral

OmniPGW fornece duas abordagens complementares de monitoramento:

1. Interface Web em Tempo Real (coberta brevemente aqui, detalhada nos respectivos documentos da interface)

• Visualizador de sessão ao vivo
• Status do peer PFCP
• Conectividade do peer Diameter
• Inspeção de sessão individual

2. Métricas do Prometheus (foco principal deste documento)

• Tendências históricas e análise
• Alertas e notificações
• Métricas de performance
• Planejamento de capacidade

Este documento foca nas métricas do Prometheus. Para detalhes da Interface Web, veja:

• Gerenciamento de Sessões - Interface Web
• Interface PFCP - Interface Web
• Diameter Gx - Interface Web

Visão Geral das Métricas do Prometheus

OmniPGW expõe métricas compatíveis com Prometheus para monitoramento abrangente da saúde do sistema, performance e capacidade. Isso permite que as equipes de operações:

• Monitorar a Saúde do Sistema - Acompanhar sessões ativas, alocações e erros
• Planejamento de Capacidade - Compreender tendências de utilização de recursos
• Análise de Performance - Medir a latência de manipulação de mensagens
• Alertas - Notificação proativa de problemas
• Depuração - Identificar causas raízes de problemas

Arquitetura de Monitoramento

---

Endpoint de Métricas

Configuração

Ative as métricas em config/runtime.exs:

config :pgw_c,
  metrics: %{
    enabled: true,
    ip_address: "0.0.0.0",  # Vincular a todas as interfaces
    port: 9090,              # Porta HTTP
    registry_poll_period_ms: 5_000  # Intervalo de polling
  }

Acessando Métricas

Endpoint HTTP:

http://<omnipgw_ip>:<port>/metrics

Exemplo:

curl http://10.0.0.20:9090/metrics

Formato de Saída

As métricas são expostas no formato de texto do Prometheus:

# HELP teid_registry_count The number of TEID registered to sessions
# TYPE teid_registry_count gauge
teid_registry_count 150

# HELP address_registry_count The number of addresses registered to sessions
# TYPE address_registry_count gauge
address_registry_count 150

# HELP s5s8_inbound_messages_total The total number of messages received from S5/S8 peers
# TYPE s5s8_inbound_messages_total counter
s5s8_inbound_messages_total{message_type="create_session_request"} 1523
s5s8_inbound_messages_total{message_type="delete_session_request"} 1487

---

Métricas Disponíveis

OmniPGW expõe as seguintes categorias de métricas:

Métricas de Sessão

Contagens de Sessões Ativas:

Nome da Métrica	Tipo	Descrição
teid_registry_count	Gauge	Sessões S5/S8 ativas (contagem de TEID)
seid_registry_count	Gauge	Sessões PFCP ativas (contagem de SEID)
session_id_registry_count	Gauge	Sessões Gx ativas (contagem de Diameter Session-ID)
session_registry_count	Gauge	Sessões ativas (pares IMSI, EBI)
address_registry_count	Gauge	Endereços IP de UE alocados
charging_id_registry_count	Gauge	IDs de cobrança ativos (veja Formato de CDR de Dados para registros de cobrança CDR)
sxb_sequence_number_registry_count	Gauge	Respostas PFCP pendentes (aguardando resposta)
s5s8_sequence_number_registry_count	Gauge	Respostas S5/S8 pendentes (aguardando resposta)
sxb_peer_registry_count	Gauge	Número de processos de peer PFCP registrados

Uso:

# Sessões ativas atuais
teid_registry_count

# Taxa de criação de sessões (por segundo)
rate(teid_registry_count[5m])

# Sessões máximas na última hora
max_over_time(teid_registry_count[1h])

Contadores de Mensagens

Mensagens S5/S8 (GTP-C):

Nome da Métrica	Tipo	Rótulos	Descrição
s5s8_inbound_messages_total	Counter	message_type	Total de mensagens S5/S8 recebidas
s5s8_outbound_messages_total	Counter	message_type	Total de mensagens S5/S8 enviadas
s5s8_inbound_errors_total	Counter	message_type	Erros de processamento S5/S8

Tipos de Mensagens:

• create_session_request
• create_session_response
• delete_session_request
• delete_session_response
• create_bearer_request
• delete_bearer_request

Mensagens Sxb (PFCP):

Nome da Métrica	Tipo	Rótulos	Descrição
sxb_inbound_messages_total	Counter	message_type	Total de mensagens PFCP recebidas
sxb_outbound_messages_total	Counter	message_type	Total de mensagens PFCP enviadas
sxb_inbound_errors_total	Counter	message_type	Erros de processamento PFCP recebidos
sxb_outbound_errors_total	Counter	message_type	Erros de processamento PFCP enviados

Tipos de Mensagens:

• association_setup_request
• association_setup_response
• heartbeat_request
• heartbeat_response
• session_establishment_request
• session_establishment_response
• session_modification_request
• session_deletion_request

Mensagens Gx (Diameter):

Nome da Métrica	Tipo	Rótulos	Descrição
gx_inbound_messages_total	Counter	message_type	Total de mensagens Diameter recebidas
gx_outbound_messages_total	Counter	message_type	Total de mensagens Diameter enviadas
gx_inbound_errors_total	Counter	message_type	Erros de processamento Diameter recebidos
gx_outbound_errors_total	Counter	message_type	Erros de processamento Diameter enviados
gx_outbound_responses_total	Counter	message_type, result_code_class, diameter_host	Respostas Diameter enviadas, categorizadas por classe de código de resultado e host peer

Tipos de Mensagens:

• gx_CCA (Credit-Control-Answer)
• gx_CCR (Credit-Control-Request)
• gx_RAA (Re-Auth-Answer)
• gx_RAR (Re-Auth-Request)

Classes de Código de Resultado (para gx_outbound_responses_total):

• 2xxx - Respostas de sucesso (ex: 2001 DIAMETER_SUCCESS)
• 3xxx - Erros de protocolo (ex: 3001 DIAMETER_COMMAND_UNSUPPORTED)
• 4xxx - Falhas transitórias (ex: 4001 DIAMETER_AUTHENTICATION_REJECTED)
• 5xxx - Falhas permanentes (ex: 5012 DIAMETER_UNABLE_TO_COMPLY)

Exemplos de Uso:

# Monitorar taxa de sucesso de respostas Gx
sum(rate(gx_outbound_responses_total{result_code_class="2xxx"}[5m])) /
sum(rate(gx_outbound_responses_total[5m])) * 100

# Rastrear falhas por host PCRF
rate(gx_outbound_responses_total{result_code_class!="2xxx"}[5m]) by (diameter_host)

# Contar total de mensagens Re-Auth-Answer bem-sucedidas
gx_outbound_responses_total{message_type="gx_RAA",result_code_class="2xxx"}

# Alertar sobre alta taxa de falhas para PCRF específico
rate(gx_outbound_responses_total{result_code_class=~"4xxx|5xxx",diameter_host="pcrf.example.com"}[5m]) > 0.1

Tratamento de Erros:

Nome da Métrica	Tipo	Rótulos	Descrição
rescues_total	Counter	module, function	Total de blocos de resgate atingidos (tratamento de exceções)

Métricas de Latência

Duração do Processamento de Mensagens Recebidas:

Nome da Métrica	Tipo	Rótulos	Descrição
s5s8_inbound_handling_duration	Histogram	request_message_type	Tempo de manipulação de mensagens S5/S8 (inclui decodificação, codificação, envio, recebimento)
sxb_inbound_handling_duration	Histogram	request_message_type	Tempo de manipulação de mensagens PFCP (inclui decodificação, codificação, envio, recebimento)
gx_inbound_handling_duration	Histogram	request_message_type	Tempo de manipulação de mensagens Diameter (inclui decodificação, codificação, envio, recebimento)

Duração de Transação de Saída:

Nome da Métrica	Tipo	Rótulos	Descrição
s5s8_outbound_transaction_duration	Histogram	request_message_type	Tempo de ida e volta de solicitação-resposta S5/S8
sxb_outbound_transaction_duration	Histogram	request_message_type	Tempo de ida e volta de solicitação-resposta PFCP (exclui codificação/decodificação)
gx_outbound_transaction_duration	Histogram	request_message_type	Tempo de ida e volta de solicitação-resposta Diameter (inclui codificação/decodificação)

Buckets (segundos):

• Valores: 0.0001, 0.0005, 0.001, 0.005, 0.01, 0.05, 0.1, 0.5, 1.0, 5.0
• (100µs, 500µs, 1ms, 5ms, 10ms, 50ms, 100ms, 500ms, 1s, 5s)

Uso:

# Latência S5/S8 do 95º percentil
histogram_quantile(0.95,
  rate(s5s8_inbound_handling_duration_bucket[5m])
)

# Latência média PFCP
rate(sxb_inbound_handling_duration_sum[5m]) /
rate(sxb_inbound_handling_duration_count[5m])

Monitoramento de Saúde do UPF

Métricas de Peer UPF:

Nome da Métrica	Tipo	Rótulos	Descrição
upf_peers_total	Gauge	-	Total de peers UPF registrados
upf_peers_healthy	Gauge	-	Número de peers UPF saudáveis (associados + batimentos de coração OK)
upf_peers_unhealthy	Gauge	-	Número de peers UPF não saudáveis
upf_peers_associated	Gauge	-	Número de peers UPF com associação PFCP ativa
upf_peers_unassociated	Gauge	-	Número de peers UPF sem associação PFCP
upf_peer_healthy	Gauge	peer_ip	Status de saúde de um UPF específico (1=saudável, 0=não saudável)
upf_peer_missed_heartbeats	Gauge	peer_ip	Batimentos de coração consecutivos perdidos para um UPF específico

Uso:

# Monitorar saúde do pool UPF
upf_peers_healthy / upf_peers_total

# Alertar sobre UPFs não saudáveis
upf_peers_unhealthy > 0

# Rastrear saúde de um UPF específico
upf_peer_healthy{peer_ip="10.98.0.20"}

# Identificar UPFs com problemas de batimento de coração
upf_peer_missed_heartbeats > 2

Exemplos de Alertas:

# Alertar quando UPF fica fora do ar
- alert: UPF_Peer_Down
  expr: upf_peer_healthy == 0
  for: 1m
  labels:
    severity: critical
  annotations:
    summary: "UPF {{ $labels.peer_ip }} está fora do ar"
    description: "Peer UPF não respondendo aos batimentos de coração PFCP"

# Alertar quando múltiplos UPFs estão fora do ar
- alert: UPF_Pool_Degraded
  expr: (upf_peers_healthy / upf_peers_total) < 0.5
  for: 2m
  labels:
    severity: critical
  annotations:
    summary: "Pool UPF degradado"
    description: "Apenas {{ $value | humanizePercentage }} dos UPFs estão saudáveis"

# Aviso sobre batimentos de coração perdidos
- alert: UPF_Heartbeat_Issues
  expr: upf_peer_missed_heartbeats > 2
  for: 30s
  labels:
    severity: warning
  annotations:
    summary: "UPF {{ $labels.peer_ip }} com problemas de batimento de coração"
    description: "{{ $value }} batimentos de coração consecutivos perdidos"

Monitoramento de Saúde do P-CSCF

Métricas do Servidor P-CSCF:

Nome da Métrica	Tipo	Rótulos	Descrição
pcscf_fqdns_total	Gauge	-	Total de FQDNs P-CSCF sendo monitorados
pcscf_fqdns_resolved	Gauge	-	FQDNs P-CSCF resolvidos com sucesso via DNS
pcscf_fqdns_failed	Gauge	-	FQDNs P-CSCF que falharam na resolução DNS
pcscf_servers_total	Gauge	-	Total de servidores P-CSCF descobertos
pcscf_servers_healthy	Gauge	fqdn	Servidores P-CSCF saudáveis por FQDN
pcscf_servers_unhealthy	Gauge	fqdn	Servidores P-CSCF não saudáveis por FQDN

Veja: Guia de Monitoramento P-CSCF para rastreamento detalhado da saúde IMS.

Métricas de Licença

Status da Licença:

Nome da Métrica	Tipo	Descrição
license_status	Gauge	Status atual da licença (1 = válido, 0 = inválido)

Uso:

# Verificar se a licença é válida
license_status == 1

# Alertar sobre licença inválida
license_status == 0

Exemplo de Alerta:

- alert: PGW_C_License_Invalid
  expr: license_status == 0
  for: 1m
  labels:
    severity: critical
  annotations:
    summary: "Licença PGW-C inválida ou expirada"
    description: "O status da licença é inválido - solicitações de criação de sessão estão sendo bloqueadas"

Impacto da Licença Inválida:

Quando a licença é inválida ou o servidor de licença não está acessível, Solicitações de Criação de Sessões serão rejeitadas com o código de causa GTP-C "Sem recursos disponíveis" (73). Isso é visível em capturas de pacotes como mostrado abaixo:

Captura do Wireshark mostrando Resposta de Criação de Sessão com causa "Sem recursos disponíveis" quando a licença é inválida

Notas:

• Nome do produto registrado com o servidor de licença: omnipgwc
• A URL do servidor de licença está configurada em config/runtime.exs sob :license_client
• Quando a licença é inválida (license_status == 0), solicitações de criação de sessão são bloqueadas com o código de causa GTP-C 73 (Sem recursos disponíveis)
• A interface do usuário e o monitoramento permanecem acessíveis independentemente do status da licença
• Peers Diameter, GTP-C e PFCP continuam a manter conexões
• Sessões existentes não são afetadas - apenas a criação de novas sessões é bloqueada

Métricas do Sistema

Métricas do VM Erlang:

Nome da Métrica	Tipo	Descrição
vm_memory_total	Gauge	Memória total da VM (bytes)
vm_memory_processes	Gauge	Memória usada pelos processos
vm_memory_system	Gauge	Memória usada pelo sistema
vm_system_process_count	Gauge	Total de processos Erlang
vm_system_port_count	Gauge	Total de portas abertas

---

Configuração do Prometheus

Configuração de Scrape

Adicione o OmniPGW ao prometheus.yml do Prometheus:

# prometheus.yml
global:
  scrape_interval: 15s
  evaluation_interval: 15s

scrape_configs:
  - job_name: 'omnipgw'
    static_configs:
      - targets: ['10.0.0.20:9090']
        labels:
          instance: 'omnipgw-01'
          environment: 'production'
          site: 'datacenter-1'

Múltiplas Instâncias do OmniPGW

scrape_configs:
  - job_name: 'omnipgw'
    static_configs:
      - targets:
          - '10.0.0.20:9090'
          - '10.0.0.21:9090'
          - '10.0.0.22:9090'
        labels:
          environment: 'production'

Descoberta de Serviço

Kubernetes:

scrape_configs:
  - job_name: 'omnipgw'
    kubernetes_sd_configs:
      - role: pod
    relabel_configs:
      - source_labels: [__meta_kubernetes_pod_label_app]
        action: keep
        regex: omnipgw
      - source_labels: [__meta_kubernetes_pod_ip]
        target_label: __address__
        replacement: '${1}:9090'

Verificação

Teste de scrape:

# Verificar alvos do Prometheus
curl http://prometheus:9090/api/v1/targets

# Consultar uma métrica
curl 'http://prometheus:9090/api/v1/query?query=teid_registry_count'

---

Painéis do Grafana

Configuração do Painel

1. Adicionar Fonte de Dados do Prometheus:

Configuração → Fontes de Dados → Adicionar fonte de dados → Prometheus
URL: http://prometheus:9090

2. Importar Painel:

Crie um novo painel ou importe de JSON.

Painéis Principais

Painel 1: Sessões Ativas

# Consulta
teid_registry_count

# Tipo de Painel: Gauge
# Limiares:
#   Verde: < 5000
#   Amarelo: 5000-8000
#   Vermelho: > 8000

Painel 2: Taxa de Sessão

# Consulta
rate(s5s8_inbound_messages_total{message_type="create_session_request"}[5m])

# Tipo de Painel: Gráfico
# Unidade: solicitações/segundo

Painel 3: Utilização do Pool de IP

# Consulta (para sub-rede /24 com 254 IPs)
(address_registry_count / 254) * 100

# Tipo de Painel: Gauge
# Unidade: percentual (0-100)
# Limiares:
#   Verde: < 70%
#   Amarelo: 70-85%
#   Vermelho: > 85%

Painel 4: Latência de Mensagem (95º Percentil)

# Consulta
histogram_quantile(0.95,
  rate(s5s8_inbound_handling_duration_bucket{request_message_type="create_session_request"}[5m])
)

# Tipo de Painel: Gráfico
# Unidade: milissegundos

Painel 5: Taxa de Erros

# Consulta
rate(s5s8_inbound_errors_total[5m])

# Tipo de Painel: Gráfico
# Unidade: erros/segundo
# Limite de Alerta: > 0.1

Painel 6: Taxa de Sucesso de Respostas Gx

# Consulta: Calcular percentual de respostas Gx bem-sucedidas
sum(rate(gx_outbound_responses_total{result_code_class="2xxx"}[5m])) /
sum(rate(gx_outbound_responses_total[5m])) * 100

# Tipo de Painel: Gauge
# Unidade: percentual (0-100)
# Limiares:
#   Verde: > 95%
#   Amarelo: 90-95%
#   Vermelho: < 90%

Alternativa - Divisão por Classe de Código de Resultado:

# Consulta: Mostrar contagens de respostas por classe de código de resultado
sum(rate(gx_outbound_responses_total[5m])) by (result_code_class)

# Tipo de Painel: Gráfico de Pizza ou Gráfico de Barras
# Legenda: {{ result_code_class }}

Alternativa - Status de Resposta por PCRF:

# Consulta: Mostrar respostas por host PCRF
sum(rate(gx_outbound_responses_total[5m])) by (diameter_host, result_code_class)

# Tipo de Painel: Gráfico de Barras Empilhadas
# Legenda: {{ diameter_host }} - {{ result_code_class }}

Painel 7: Status de Saúde do UPF

# Consulta: Percentual geral de saúde do pool
(upf_peers_healthy / upf_peers_total) * 100

# Tipo de Painel: Gauge
# Unidade: percentual (0-100)
# Limiares:
#   Verde: 100%
#   Amarelo: 50-99%
#   Vermelho: < 50%

Alternativa - Status por UPF:

# Consulta: Saúde individual do UPF
upf_peer_healthy

# Tipo de Painel: Estatística
# Mapeamentos:
#   1 = "UP" (Verde)
#   0 = "DOWN" (Vermelho)

Exemplo Completo de Painel

{
  "dashboard": {
    "title": "OmniPGW - Painel de Operações",
    "panels": [
      {
        "title": "Sessões Ativas",
        "targets": [
          {
            "expr": "teid_registry_count",
            "legendFormat": "Sessões Ativas"
          }
        ],
        "type": "graph"
      },
      {
        "title": "Taxa de Criação de Sessões",
        "targets": [
          {
            "expr": "rate(s5s8_inbound_messages_total{message_type=\"create_session_request\"}[5m])",
            "legendFormat": "Sessões/segundo"
          }
        ],
        "type": "graph"
      },
      {
        "title": "Utilização do Pool de IP",
        "targets": [
          {
            "expr": "(address_registry_count / 254) * 100",
            "legendFormat": "Uso do Pool %"
          }
        ],
        "type": "gauge"
      },
      {
        "title": "Latência de Mensagem (p95)",
        "targets": [
          {
            "expr": "histogram_quantile(0.95, rate(s5s8_inbound_handling_duration_bucket[5m]))",
            "legendFormat": "S5/S8 p95"
          },
          {
            "expr": "histogram_quantile(0.95, rate(sxb_inbound_handling_duration_bucket[5m]))",
            "legendFormat": "PFCP p95"
          }
        ],
        "type": "graph"
      }
    ]
  }
}

---

Alertas

Regras de Alerta

Crie omnipgw_alerts.yml:

groups:
  - name: omnipgw
    interval: 30s
    rules:
      # Alertas de Contagem de Sessões
      - alert: OmniPGW_HighSessionCount
        expr: teid_registry_count > 8000
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "Contagem de sessões alta no OmniPGW"
          description: "{{ $value }} sessões ativas (limite: 8000)"

      - alert: OmniPGW_SessionCountCritical
        expr: teid_registry_count > 9500
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "Contagem de sessões crítica no OmniPGW"
          description: "{{ $value }} sessões ativas se aproximando da capacidade"

      # Alertas de Pool de IP
      - alert: OmniPGW_IPPoolUtilizationHigh
        expr: (address_registry_count / 254) * 100 > 80
        for: 10m
        labels:
          severity: warning
        annotations:
          summary: "Utilização alta do pool de IP no OmniPGW"
          description: "Pool de IP {{ $value }}% utilizado"

      - alert: OmniPGW_IPPoolExhausted
        expr: address_registry_count >= 254
        for: 1m
        labels:
          severity: critical
        annotations:
          summary: "Pool de IP esgotado no OmniPGW"
          description: "Nenhum IP disponível para alocação"

      # Alertas de Taxa de Erros
      - alert: OmniPGW_HighErrorRate
        expr: rate(s5s8_inbound_errors_total[5m]) > 0.1
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "Alta taxa de erros no OmniPGW"
          description: "{{ $value }} erros/segundo na interface S5/S8"

      - alert: OmniPGW_GxErrorRate
        expr: rate(gx_inbound_errors_total[5m]) > 0.05
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "Erros Gx no OmniPGW"
          description: "{{ $value }} erros Diameter/segundo"

      # Alertas de Respostas Gx
      - alert: OmniPGW_GxResponseFailureRate
        expr: |
          sum(rate(gx_outbound_responses_total{result_code_class!="2xxx"}[5m])) /
          sum(rate(gx_outbound_responses_total[5m])) > 0.1
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "Alta taxa de falhas de resposta Gx no OmniPGW"
          description: "{{ $value | humanizePercentage }} das respostas Gx são falhas (códigos de resultado não-2xxx)"

      - alert: OmniPGW_GxPCRFFailures
        expr: rate(gx_outbound_responses_total{result_code_class=~"4xxx|5xxx"}[5m]) by (diameter_host) > 0.05
        for: 3m
        labels:
          severity: warning
        annotations:
          summary: "PCRF {{ $labels.diameter_host }} recebendo respostas de falha"
          description: "{{ $value }} respostas de falha/segundo para PCRF {{ $labels.diameter_host }}"

      # Alertas de Saúde do UPF
      - alert: OmniPGW_UPF_PeerDown
        expr: upf_peer_healthy == 0
        for: 1m
        labels:
          severity: critical
        annotations:
          summary: "Peer UPF {{ $labels.peer_ip }} fora do ar"
          description: "UPF não respondendo aos batimentos de coração PFCP"

      - alert: OmniPGW_UPF_PoolDegraded
        expr: (upf_peers_healthy / upf_peers_total) < 0.5
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "Pool UPF degradado"
          description: "{{ $value | humanizePercentage }} dos UPFs estão saudáveis (< 50%)"

      - alert: OmniPGW_UPF_HeartbeatFailures
        expr: upf_peer_missed_heartbeats > 2
        for: 30s
        labels:
          severity: warning
        annotations:
          summary: "UPF {{ $labels.peer_ip }} falhas de batimento de coração"
          description: "{{ $value }} batimentos de coração consecutivos perdidos"

      - alert: OmniPGW_UPF_AllDown
        expr: upf_peers_healthy == 0 and upf_peers_total > 0
        for: 30s
        labels:
          severity: critical
        annotations:
          summary: "Todos os peers UPF fora do ar"
          description: "Nenhum UPF saudável disponível para criação de sessão"

      # Alertas de Latência
      - alert: OmniPGW_HighLatency
        expr: |
          histogram_quantile(0.95,
            rate(s5s8_inbound_handling_duration_bucket[5m])
          ) > 100000
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "Alta latência de mensagem no OmniPGW"
          description: "Latência p95 {{ $value }}µs (> 100ms)"

      # Alertas do Sistema
      - alert: OmniPGW_HighMemoryUsage
        expr: vm_memory_total > 2000000000
        for: 10m
        labels:
          severity: warning
        annotations:
          summary: "Alta utilização de memória no OmniPGW"
          description: "VM utilizando {{ $value | humanize }}B de memória"

      - alert: OmniPGW_HighProcessCount
        expr: vm_system_process_count > 100000
        for: 10m
        labels:
          severity: warning
        annotations:
          summary: "Alta contagem de processos no OmniPGW"
          description: "{{ $value }} processos Erlang (possível vazamento)"

Configuração do AlertManager

# alertmanager.yml
global:
  resolve_timeout: 5m

route:
  receiver: 'ops-team'
  group_by: ['alertname', 'instance']
  group_wait: 10s
  group_interval: 10s
  repeat_interval: 12h

  routes:
    - match:
        severity: critical
      receiver: 'pagerduty'

    - match:
        severity: warning
      receiver: 'slack'

receivers:
  - name: 'ops-team'
    email_configs:
      - to: 'ops@example.com'

  - name: 'slack'
    slack_configs:
      - api_url: 'https://hooks.slack.com/services/YOUR/SLACK/WEBHOOK'
        channel: '#omnipgw-alerts'
        title: 'Alerta OmniPGW: {{ .GroupLabels.alertname }}'
        text: '{{ range .Alerts }}{{ .Annotations.description }}{{ end }}'

  - name: 'pagerduty'
    pagerduty_configs:
      - service_key: 'YOUR_PAGERDUTY_KEY'

---

Monitoramento de Performance

Indicadores-Chave de Performance (KPIs)

Consultas de Throughput

Taxa de Configuração de Sessão:

rate(s5s8_inbound_messages_total{message_type="create_session_request"}[5m])

Taxa de Destruição de Sessão:

rate(s5s8_inbound_messages_total{message_type="delete_session_request"}[5m])

Crescimento Líquido de Sessões:

rate(s5s8_inbound_messages_total{message_type="create_session_request"}[5m]) -
rate(s5s8_inbound_messages_total{message_type="delete_session_request"}[5m])

Análise de Latência

Latência de Processamento de Mensagens (Percentis):

# p50 (Mediana)
histogram_quantile(0.50,
  rate(s5s8_inbound_handling_duration_bucket[5m])
)

# p95
histogram_quantile(0.95,
  rate(s5s8_inbound_handling_duration_bucket[5m])
)

# p99
histogram_quantile(0.99,
  rate(s5s8_inbound_handling_duration_bucket[5m])
)

Divisão de Latência por Tipo de Mensagem:

histogram_quantile(0.95,
  rate(s5s8_inbound_handling_duration_bucket[5m])
) by (request_message_type)

Tendência de Capacidade

Tendência de Crescimento de Sessões (24h):

teid_registry_count -
teid_registry_count offset 24h

Capacidade Restante:

# Para capacidade máxima de 10.000 sessões
10000 - teid_registry_count

Tempo até o Esgotamento da Capacidade:

# Dias até a capacidade esgotada (com base na taxa de crescimento de 1h)
(10000 - teid_registry_count) /
(rate(teid_registry_count[1h]) * 86400)

---

Solução de Problemas com Métricas

Identificando Problemas

Problema: Alta Taxa de Rejeição de Sessões

Consulta:

rate(s5s8_inbound_errors_total[5m]) by (message_type)

Ação:

• Verifique os logs de erro
• Verifique a conectividade do PCRF (erros Gx)
• Verifique o esgotamento do pool de IP

Problema: Configuração de Sessão Lenta

Consulta:

histogram_quantile(0.95,
  rate(s5s8_inbound_handling_duration_bucket{request_message_type="create_session_request"}[5m])
)

Ação:

• Verifique a latência Gx (tempo de resposta do PCRF)
• Verifique a latência PFCP (tempo de resposta do PGW-U)
• Revise o uso de recursos do sistema

Problema: Falhas de Política do PCRF

Consultas:

# Taxa geral de falhas de resposta Gx
sum(rate(gx_outbound_responses_total{result_code_class!="2xxx"}[5m])) /
sum(rate(gx_outbound_responses_total[5m])) * 100

# Divisão por host PCRF
sum(rate(gx_outbound_responses_total[5m])) by (diameter_host, result_code_class)

# Classes de código de resultado específicas
rate(gx_outbound_responses_total{result_code_class="5xxx"}[5m]) by (diameter_host)

Ação:

• Verifique a conectividade e saúde do PCRF
• Revise os perfis de assinantes no PCRF (erros 5xxx geralmente indicam problemas de política)
• Verifique a configuração do peer Diameter
• Verifique os logs do PCRF para erros correspondentes
• Para 5012 (DIAMETER_UNABLE_TO_COMPLY), revise o manuseio de Re-Auth-Request

Problema: Vazamento de Memória Suspeito

Consultas:

# Tendência de memória total
rate(vm_memory_total[1h])

# Tendência de memória do processo
rate(vm_memory_processes[1h])

# Tendência de contagem de processos
rate(vm_system_process_count[1h])

Ação:

• Verifique se há sessões obsoletas
• Revise as contagens de registro
• Reinicie se o vazamento for confirmado

Consultas de Depuração

Encontrar Hora de Pico de Sessão:

max_over_time(teid_registry_count[24h])

Comparar Atual vs. Histórico:

teid_registry_count /
avg_over_time(teid_registry_count[7d])

Identificar Anomalias:

abs(
  teid_registry_count -
  avg_over_time(teid_registry_count[1h])
) > 100

---

Melhores Práticas

Coleta de Métricas

1. Intervalo de Scrape: 15-30 segundos (equilibrar granularidade vs. carga)
2. Retenção: 15+ dias para análise histórica
3. Rótulos: Use rotulagem consistente (instância, ambiente, site)

Design de Painéis

1. Painel de Visão Geral - KPIs de alto nível para NOC
2. Painéis Detalhados - Análise profunda por interface
3. Painel de Solução de Problemas - Métricas de erro e logs

Design de Alertas

1. Evitar Fadiga de Alertas - Alertar apenas sobre problemas acionáveis
2. Escalonamento - Aviso → Crítico com gravidade crescente
3. Contexto - Incluir links de runbook nas descrições de alerta

---

Documentação Relacionada

Configuração e Configuração

• Guia de Configuração - Configuração de métricas do Prometheus, configuração da Interface Web
• Guia de Solução de Problemas - Usando métricas para depuração

Métricas de Interface

• Interface PFCP - Métricas de sessão PFCP, monitoramento de saúde do UPF
• Interface Diameter Gx - Métricas de política Gx, rastreamento de interação com PCRF
• Interface Diameter Gy - Métricas de cobrança Gy, rastreamento de cotas, timeouts de OCS
• Interface S5/S8 - Métricas de mensagens GTP-C, comunicação SGW-C

Monitoramento Especializado

• Monitoramento P-CSCF - Métricas de descoberta P-CSCF, saúde IMS
• Gerenciamento de Sessões - Sessões ativas, métricas do ciclo de vida da sessão
• Alocação de IP de UE - Métricas de utilização do pool de IP

---

Voltar ao Guia de Operações

---

Guia de Monitoramento do OmniPGW - por Omnitouch Network Services