Visão Geral

Este curso ensina como filtrar, renomear e enriquecer métricas utilizando o Telegraf, garantindo padronização, redução de ruído e aumento do valor analítico dos dados coletados. O foco está na construção de pipelines de métricas limpos, consistentes e preparados para ambientes de produção.

Objetivo

Após realizar este curso, você será capaz de:

• Filtrar métricas irrelevantes ou ruidosas
• Renomear métricas, campos e tags de forma padronizada
• Enriquecer métricas com contexto adicional
• Reduzir volume e cardinalidade de dados
• Melhorar a qualidade e a legibilidade das métricas
• Aplicar boas práticas de processamento de métricas

Publico Alvo

• Engenheiros de Observabilidade
• Profissionais de DevOps e SRE
• Arquitetos de Dados e Sistemas
• Administradores de Infraestrutura
• Profissionais que utilizam Telegraf em produção

Pre-Requisitos

• Conhecimento intermediário de Telegraf
• Familiaridade com inputs, processors e outputs
• Noções de métricas e séries temporais

Conteúdo Programatico

Module 1 – Metric Hygiene Fundamentals

1. Why metric hygiene matters
2. Noise vs signal in monitoring
3. Long-term impact of poor metric quality
4. Common metric hygiene problems

Module 2 – Filtering Metrics in Telegraf

1. Tag and field filtering
2. Measurement filtering
3. Drop and keep strategies
4. Preventing data overload

Module 3 – Renaming Metrics and Fields

1. Renaming measurements
2. Standardizing field names
3. Regex-based renaming
4. Naming conventions and patterns

Module 4 – Tag Management and Cleanup

1. Adding and removing tags
2. Tag normalization strategies
3. Handling inconsistent tag values
4. Avoiding tag misuse

Module 5 – Metric Enrichment Techniques

1. Adding contextual metadata
2. Environment, region and role tags
3. Static vs dynamic enrichment
4. Using external context sources

Module 6 – Advanced Processing with Processors

1. Converter and enum processors
2. Regex processor deep dive
3. Starlark processor basics
4. Complex transformation scenarios

Module 7 – Validation and Quality Assurance

1. Validating processed metrics
2. Detecting missing or malformed data
3. Comparing raw vs processed metrics
4. Observability of the pipeline

Module 8 – Real-World Metric Processing Use Cases

1. Infrastructure metrics cleanup
2. Application metric standardization
3. Industrial and IoT metric enrichment
4. Best practices and common mistakes