# Saiba de tudo sobre seus serviços com Jaeger e Linkerd Que tal observar a fundo TODAS as chamadas do seu sistema e conseguir entender quando tudo aconteceu? Vamos instalar o Jaeger e ter todo esse poder! - URL: https://blog.lsantos.dev/saiba-de-tudo-sobre-seus-servicos-com-jaeger-e-linkerd/ - Published: 2020-09-14 - Updated: 2026-07-16 - Category: technology - Tags: kubernetes, linkerd, jaeger, containers, infrastructure, observability, microservices - Language: pt - Author: Lucas Santos --- Já falamos um pouco sobre o Linkerd no [[uma-introducao-a-service-mesh-com-linkerd|último post]], agora, para podermos estender ainda mais o nosso conhecimento sobre service mesh, vamos falar de um conceito interessante que vamos explorar com mais calma em outros artigos. Mas aqui vamos ter um exemplo prático! O **Tracing.** ## Tracing Tracing é um dos elementos da tríade que compõe o que vamos tratar mais a frente como **Observabilidade**, porém, no momento vamos focar nesse aspecto. O tracing é a capacidade de poder acompanhar uma request de ponta a ponta verificando a ordem das chamadas dos serviços, o payload enviado e recebido por cada um, as respostas de cada serviço e também o tempo que cada request demorou. Implementar um tracing simples em uma aplicação não é uma tarefa complexa, basta fazermos um log de tudo que recebemos e enviamos. Porém, existe um outro conceito chamado **deep tracing** ou **distributed tracing** que é justamente voltado à aplicações distribuídas. E é ai que as coisas começam a ficar complicadas... ### Deep Tracing Deep Tracing é o nome que se dá à técnica de ligar logs de uma chamada a outra, formando uma linha do tempo do que foi feito. A cada log, damos o nome de um **span** e uma request pode desencadear múltiplos spans, ainda mais quando estamos tratando com microsserviços que chamam uns aos outros em sequencia. Sendo muito simplista, o que o Deep Tracing faz é adicionar um header na request inicial que é chamado de **Request ID** – cada implementação da técnica tem seu próprio nome para isso. A cada nova request, esse ID é passado para frente e, combinada com a data da requisição, essas informações são utilizadas para construir um histórico de tudo que foi feito. O problema é que, para fazer a implementação manual disso tudo, temos que: - Ter uma noção muito boa da nossa aplicação - Interceptar todas as chamadas HTTP e colocar um header em cada uma delas O que não é uma tarefa fácil, por isso existem ferramentas como o Jaeger. ## Jaeger O [Jaeger](https://www.jaegertracing.io/) é uma ferramenta open source hospedada pela CNCF que serve justamente para evitar a complicação de ter que faz o deploy e implementação de todas as partes móveis que compõem um sistema de tracing distribuído. Ele também utiliza o [Open Telemetry](https://opentelemetry.io/) um projeto que visa simplificar a telemetria de aplicações através de um conjunto padrão de ferramentas para obtenção de métricas. O Jaeger é escrito em Golang, o que torna ele super rápido e muito útil para sistemas que estão distribuídos ou então possuem uma malha complexa de serviços. Sabe o que mais vai bem com essa arquitetura? O Linkerd! ## Linkerd e Jaeger Service Mesh e Observabilidade são conceitos que andam lado a lado, porém nem sempre você tem a capacidade de implementar ambos de forma simples. E é ai que tanto o Linkerd quanto o Jaeger brilham individualmente, mas, além de serem incríveis por si só, eles são ainda melhores **juntos**. Usar o Linkerd com o Jaeger é uma excelente forma de obter todas as informações e métricas possíveis de sua aplicação de forma rápida e prática, até porque o próprio Linkerd suporta add-ons que incluem tanto o Jaeger como o [OpenCensus Collector](https://opencensus.io/service/components/collector/), uma ferramenta de coleta de métricas. Mas chega de conceitos! A melhor forma de explicar o que é o Jaeger é através da prática! Então vamos colocar a mão na massa! ## Aplicando Tracing > Para começar, vou assumir que você já está com o cluster criado e com o Linkerd Instalado, se você ainda não instalou tudo, volta para [[uma-introducao-a-service-mesh-com-linkerd|o artigo anterior]] e siga o tutorial até o final Com o nosso cluster configurado e o Linkerd já instalado, vamos começar instalando a configuração [all-in-one](https://www.jaegertracing.io/docs/1.8/getting-started/#all-in-one), que provê uma única imagem que contém todos os elementos necessários para que o tracing do Jaeger funcione tranquilamente. Para instalar essa configuração, vamos criar um novo arquivo chamado `config.yaml` e colocar o seguinte conteúdo nele: ```yaml tracing: enabled: true ``` Então, vamos executar um comando do Linkerd para adicionar o novo add-on, na pasta aonde você criou o novo arquivo execute o seguinte comando: ```bash linkerd upgrade --addon-config config.yaml | kubectl apply -f - ``` Assim que terminarmos, devemos ter dois novos deploys, um chamado `linkerd-collector` e outro chamado `linkerd-jaeger` no namespace `linkerd`: ![](./image-25.png "Temos dois novos deployments dentro do namespace Linkerd") ### Anotações Para detectar as mudanças e começar a realizar o tracing, o Linkerd utiliza duas anotações novas nos nossos deployments, sempre que precisarmos fazer essa modificação vamos incluir estas linhas juntamente com a anotação `linkerd.io/inject: enabled`, ficando assim: ```yaml spec: template: metadata: annotations: linkerd.io/inject: enabled config.linkerd.io/trace-collector: linkerd-collector.linkerd:55678 config.alpha.linkerd.io/trace-collector-service-account: linkerd-collector ``` ### Instrumentação O tracing, diferentemente da maioria das técnicas do DevOps, exige uma instrumentação na aplicação, ou seja, temos que manualmente inserir o código do coletor de métricas no nosso sistema para que ele possa identificar e adicionar os headers e o ID para o trace. Isso pode ser feito de forma manual na nossa aplicação usando Node através [deste pacote](https://github.com/census-instrumentation/opencensus-node/tree/master/packages/opencensus-nodejs), porém, para mantermos o processo mais simples, vamos utilizar a aplicação padrão do Linkerd para testar. Primeiramente instalamos a aplicação com o comando ```bash kubectl apply -f https://run.linkerd.io/emojivoto.yml ``` Depois executamos o seguinte comando para que possamos incluir a anotação que mostramos anteriormente ```bash kubectl -n emojivoto patch -f https://run.linkerd.io/emojivoto.yml -p ' spec: template: metadata: annotations: linkerd.io/inject: enabled config.linkerd.io/trace-collector: linkerd-collector.linkerd:55678 config.alpha.linkerd.io/trace-collector-service-account: linkerd-collector ' ``` Esperamos o deployment terminar de ser finalizado. Você pode executar o comando a seguir para acompanhar: ```bash kubectl -n emojivoto rollout status deploy/web ``` Para finalizar, vamos ativar o tracing setando uma nova variável de ambiente no deployment com o seguinte comando ```bash kubectl -n emojivoto set env --all deploy OC_AGENT_HOST=linkerd-collector.linkerd:55678 ``` ## Explorando o Jaeger Vamos ter certeza de que nossa implementação funcionou quando rodarmos o comando `linkerd dashboard` e virmos o ícone do Jaeger ao lado dos nossos namespaces ![](./image-26.png "Veja o ícone do logo do Jaeger ao lado do Grafana") Se clicarmos nele, teremos todas as chamadas feitas dentro da aplicação e poderemos acompanhar o histórico de tudo que foi chamado via HTTP ![](./image-27.png "Cada círculo é uma chamada") Se clicarmos em uma das linhas, conseguiremos ver por onde todas as requisições passaram e quais serviços foram chamados, bem como seus payloads e tempos ![](./image-28.png) Outra funcionalidade interessante é a capacidade do Jaeger identificar a possível arquitetura do sistema. Basta clicar na guia "System Architecture" e selecionar entre o grafo direcionado e o DAG: ![](./image-29.png "Diagrama de número de requisições") ![](./image-30.png "Grafo direcionado") Podemos também explorar cada uma das requisições individualmente através do mesmo ícone do Jaeger em cada uma das linhas quando iniciamos o "Live View" de uma rota. ![](./image-32.png) ## Conclusão Vamos falar mais de observabilidade por aqui no futuro, mas tenha em mente que o tracing é uma das principais razões pelo qual o service mesh é tão cobiçado. O poder que é possível extrair quando você sabe exatamente o que está acontecendo em seu sistema permite que você resolva bugs e trate erros de forma muito mais simples e rápida. Espero que tenham gostado do artigo, deixe seu comentário, curta e compartilhe! Vamos ajudar todo mundo a entender o que é tracing! Não se esqueça de se inscrever na newsletter para mais conteúdo exclusivo! Até mais!