Atlassian moderniza detecção de incidentes com OpenTelemetry e Kubernetes, otimizando tempo de resposta

A modernização da detecção de incidentes na Atlassian representa um blueprint de engenharia de plataformas para empresas SaaS. O sistema foi redesenhado sobre Apache Kafka para o barramento de eventos, Apache Flink para processamento de stream em tempo real e OpenTelemetry para a telemetria, tudo orquestrado via Kubernetes. A arquitetura inicial, que dependia de máquinas virtuais e processamento com Node.js, gerava uma latência de mais de 40 segundos e sofria com problemas de ruído e alto custo, escalando com cada novo produto.

A nova plataforma filtra eventos já no Kafka, processando apenas o que é relevante para detecção. Um único job Flink com estratégias como enriquecimento assíncrono com cache e circuit breakers, uso de HyperLogLog para contagem de usuários distintos, e sinks idempotentes, garante eficiência. A Atlassian também investiu na robustez do Flink, com estado em RocksDB, checkpoints a cada 30 segundos e otimização do autoscaler. A observabilidade é garantida ponta a ponta com OpenTelemetry, alimentando um TSDB compatível com Prometheus e traços, permitindo que a própria plataforma de detecção seja monitorada, um ponto crítico para sistemas de SRE.

Em julho de 2026, o CEVIU News noticiou a decisão da Atlassian de substituir o Kinesis pelo Kafka para orquestrar um volume massivo de eventos. Essa migração foi um passo estratégico que agora se concretiza como a fundação do novo sistema de detecção de incidentes. O que era uma aposta na escalabilidade do Kafka, que passou a gerenciar 145 bilhões de eventos diários, hoje é uma peça central e validada em um dos sistemas mais críticos da empresa.

A mudança também é visível na otimização de recursos. O sistema antigo demandava 90 máquinas virtuais. A nova arquitetura, rodando sobre Kubernetes, realiza as mesmas funções com apenas 4 pods, demonstrando um ganho expressivo em eficiência e redução de custos operacionais. Esta evolução mostra a consolidação de uma estratégia cloud-native e focada em automação.

Essa reengenharia da Atlassian é um exemplo prático de como a adoção de tecnologias cloud-native e padrões de engenharia de dados em tempo real impactam diretamente a confiabilidade de sistemas. Reduzir o tempo de detecção de incidentes de mais de 40 segundos para menos de 10 segundos diminui drasticamente o Mean Time To Detect (MTTD), minimizando o impacto em usuários e a reputação da empresa.

A integração de OpenTelemetry para observabilidade e a orquestração via Kubernetes mostram a maturidade da Atlassian em engenharia de plataformas. A capacidade de autodetecção de problemas no próprio sistema de detecção, juntamente com o uso de IA para investigações iniciais, conforme mencionamos em outras coberturas sobre o tema, solidifica a postura proativa da empresa em SRE.