O software de gerenciamento de desempenho de aplicativos (APM) ajuda uma organização a assegurar que seus aplicativos críticos atendam às expectativas estabelecidas de desempenho, de disponibilidade e de experiência do cliente ou do usuário final. Ele faz isso medindo o desempenho de aplicativos, alertando os administradores quando as linhas de base de desempenho não são atendidas, fornecendo visibilidade sobre as causas raízes dos problemas de desempenho e automaticamente resolvendo muitos problemas de desempenho antes que impactem usuários ou os negócios.

O APM também é uma abreviação de monitoramento de desempenho de aplicativos. Os termos são frequentemente usados para se referir ao mesmo assunto, mas o monitoramento de desempenho de aplicativos é, na verdade, um componente de muitos itens de gerenciamento de desempenho de aplicativos pois, afinal, é necessário monitorar o desempenho para gerenciá-lo. 

Cada vez mais, no entanto, as soluções de gerenciamento de desempenho de aplicativos estão evoluindo de contar com ferramentas tradicionais de monitoramento de desempenho de aplicativos para incorporar observabilidade, uma tecnologia de coleta de dados e análise melhor adequada à complexidade dos aplicativos modernos, nativos de cloud e distribuídos. 

Novamente, o APM coleta dados de software de desempenho de aplicativos, os analisa para detectar potenciais problemas de desempenho e fornece informações ou toma ação para acelerar a resolução desses problemas. A principal diferença em como eles coletam e analisam os dados é a diferença entre o monitoramento de desempenho de aplicativos e a observabilidade.

Monitoramento de desempenho de aplicativos

No monitoramento de desempenho de aplicativos, agentes são implementados por todo o ambiente do aplicativo e infraestrutura de suporte para 'monitorar' o desempenho ao amostrar métricas de desempenho e relacionadas ao desempenho (por vezes chamadas de telemetria) geralmente tão frequentemente quanto uma vez a cada minuto. Os tipos de monitoramento que esses agentes executam incluem:

• O monitoramento da experiência digital reúne métricas de desempenho, como tempo de carregamento, tempo de resposta, tempo de atividade, tempo de inatividade, da interface com o usuário no dispositivo do usuário final. (Isso costumava ser chamado de monitoramento da experiência do usuário final, mas foi ampliado para reconhecer que entidades não humanas, como robôs ou outros componentes de software, também interagem com os aplicativos e têm suas próprias expectativas de desempenho). O monitoramento da experiência digital geralmente oferece suporte ao monitoramento do usuário real, que monitora a experiência de um usuário real sistema, e monitoramento sintético, para teste de desempenho em ambientes de produção e de não produção.
  
  
• O monitoramento de aplicativos  inclui o monitoramento de toda a pilha de aplicativos, a estrutura do aplicativo (por exemplo, Java  ou .NET), sistema operacional, banco de dados, APIs, middleware, servidor de aplicativos da web, IU, bem como o monitoramento de infraestrutura de TI  que amostra fatores como utilização da CPU, espaço em disco e desempenho da rede. O monitoramento de pilha normalmente inclui rastreio de nível de código, o que pode ajudar a detectar partes do código que podem estar causando um gargalo de desempenho.
  
  
• Monitoramento de banco de dados  amostra o desempenho de consultas ou procedimentos SQL, além do monitoramento de banco de dados fornecido por agentes de monitoramento de aplicativos.
  
  
• O monitoramento de disponibilidade  monitora a disponibilidade real do aplicativo e dos componentes de hardware  (porque os aplicativos podem gerar dados de desempenho mesmo quando não são acessíveis ao usuário final).

Além de coletar dados de desempenho, esses agentes executam a criação de perfis de transações definidos pelo usuário, rastreando cada transação da IU ou do dispositivo do usuário final através de cada componente ou recurso do aplicativo envolvido na transação. Esta informação é usada para determinar as dependências do aplicativo e para criar um mapa de topologia, que é uma visualização das dependências entre o aplicativo e os componentes de infraestrutura, idealmente entre ambientes locais, na nuvem privada, na cloud pública (incluindo soluções software como serviço ou SaaS) ou na cloud híbrida. 

As soluções APM normalmente fornecem um controlador e um dashboard centralizado em que as métricas de desempenho coletadas são agregadas, analisadas e comparadas com linhas de base estabelecidas. O dashboard alerta os administradores de sistema quanto a desvios das linhas de base que indicam problemas de desempenho potenciais ou reais, assim como fornece informação contextual e insights acionáveis que os administradores podem usar para resolver os problemas.

Observabilidade

A amostragem periódica é eficaz o suficiente para o monitoramento e a resolução de problemas de aplicativos monolíticos ou aplicativos distribuídos tradicionais, em que um novo código é lançado periodicamente e fluxos de trabalho e dependências entre componentes, servidores e recursos relacionados do aplicativo são bem conhecidos ou fáceis de rastrear.

Mas atualmente, uma vez que as organizações adotando práticas modernas de desenvolvimento e tecnologias nativas da cloud, como metodologias Agile e DevOps, microsserviços, contêineres Docker, Kubernetes e funções sem servidor estão implementando novos componentes de aplicativos com tanta frequência, em tantos lugares, em tantos idiomas e por períodos de tempo tão variados que a amostragem de dados uma vez por minuto e as soluções tradicionais de monitoramento não conseguem acompanhar.

A observabilidade troca os agentes de monitoramento tradicionais por instrumentação que coleta dados de desempenho e contextuais ininterruptamente, e usa técnicas de aprendizado de máquina para correlacionar e analisar os dados em tempo real. Com uma solução de observabilidade, as equipes de desenvolvimento, de operações de TI e de engenharia de confiabilidade de site (SRE) podem:

• Descobrir e lidar com 'desconhecidos desconhecidos.' O monitoramento tradicional apenas procura por desvios conhecidos das linhas de base conhecidas. Uma funcionalidade de aprendizado de máquina de uma plataforma de observabilidade  pode detectar padrões na telemetria de desempenho para identificar novo desvios que se correlacionam com problemas de desempenho.
  
  
• Detecte e resolva problemas no início do desenvolvimento. A observabilidade permite que as equipes DevOps introduzam o monitoramento nas fases iniciais do processo de desenvolvimento de software, de modo que possam testar, identificar e corrigir problemas no novo código antes que impactem a experiência do cliente ou os contratos de nível de serviço (SLAs).
  
  
• Ajuste a escala da observabilidade automaticamente. Por exemplo, os desenvolvedores podem especificar a instrumentação de observabilidade como parte de uma configuração de cluster Kubernetes, de modo que qualquer cluster comece a coletar telemetria desde o momento em que é ativado até ser desativado.

A observabilidade não substitui o monitoramento;  ela permite um melhor monitoramento e melhor APM.

Hoje, as ferramentas de APM estão utilizando a observabilidade e a IA em diferentes níveis. Algumas estão combinando o monitoramento de desempenho de aplicativos tradicional com a IA para automatizar o descobrimento de caminhos de transação em mudança e dependências de aplicativos. Outras estão combinando a observabilidade com a IA para determinar automaticamente linhas de base de desempenho e filtrar sinais, ou insights acionáveis, do 'ruído' dos dados de gerenciamento de operações de TI (ITOM). O analista do setor da Gartner descobre que organizações podem obter uma "redução de ruído de 60% no ITOM por meio do uso de ferramentas aprimoradas por IA".

O objetivo final e o futuro do APM e das operações de TI é combinar a observabilidade com a inteligência artificial para operações de TI, ou AIOps, para criar uma estrutura com capacidade de recuperação automática e de auto-otimização. Juntos, o fluxo constante de telemetria da observabilidade em tempo real  e o aprendizado de máquina e automação AIOps podem prever problemas de desempenho de aplicativos com base nos resultados do sistema, resolvê-los antes que eles afetem a experiência do usuário ou as operações e até mesmo tomar ações para otimizar o desempenho do aplicativo, tudo sem intervenção de gerenciamento.