Appoena Educational: Datadog Labs

Repositório oficial de laboratórios práticos dos cursos de Datadog da Appoena.

Este projeto reúne ambientes, aplicações de demonstração, arquivos de configuração, consultas e exercícios utilizados durante os treinamentos. O objetivo é permitir que cada aluno reproduza os cenários apresentados nas aulas e pratique os principais recursos da plataforma Datadog em um ambiente controlado.

Os laboratórios têm finalidade exclusivamente educacional. Não utilize dados, credenciais ou ambientes de produção durante os exercícios.

Conteúdos disponíveis

Os laboratórios podem abordar diferentes áreas da plataforma, incluindo:

• fundamentos do Datadog;
• Infrastructure Monitoring;
• Container Monitoring e Kubernetes Monitoring;
• Log Management;
• Application Performance Monitoring — APM;
• Real User Monitoring — RUM;
• Synthetic Monitoring e Continuous Testing;
• dashboards e notebooks;
• monitors, alertas e SLOs;
• integrações, APIs e automação;
• OpenTelemetry e correlação entre sinais.

A disponibilidade dos conteúdos depende dos cursos e módulos já publicados pela Appoena.

Organização do repositório

Abaixo uma estrutura semelhante da organização atual dos arquivos para os laboratórios:

.
├── appoena-educational/
│   ├── nome-do-curso/
│   │   ├── README.md
│   │   ├── lab-01-nome-do-laboratorio/
│   │   │   ├── README.md
│   │   │   ├── docker-compose.yml
│   │   │   ├── .env.example
│   │   │   └── src/
│   │   └── lab-02-nome-do-laboratorio/
|   ├── outro-curso/
│   └── README.md (arquivo atual)

Cada laboratório possui um README.md próprio com objetivo, arquitetura, pré-requisitos, instruções de execução, validação e limpeza do ambiente.

Pré-requisitos

Os requisitos podem variar entre os laboratórios. De modo geral, é recomendado ter:

• uma conta Datadog com acesso aos produtos utilizados no exercício;
• Git instalado;
• Docker e Docker Compose;
• acesso a um terminal;
• navegador atualizado;
• permissões para criar API Keys e Application Keys, quando necessário;
• Node.js, Python, Terraform ou Kubernetes apenas nos laboratórios que exigirem essas ferramentas.

Consulte sempre o README.md do laboratório antes de iniciar.

Como começar

1. Clone o repositório

git clone <URL_DO_REPOSITORIO>
cd <NOME_DO_REPOSITORIO>

2. Escolha o curso e o laboratório

cd <nome-do-curso>/<nome-do-laboratorio>

3. Leia as instruções específicas

Antes de executar qualquer comando, consulte o README.md presente na pasta do laboratório.

4. Configure as variáveis de ambiente

Quando existir um arquivo .env.example, crie uma cópia local:

cp .env.example .env

Em seguida, preencha somente as variáveis exigidas pelo exercício. Exemplo:

DD_API_KEY=sua_api_key
DD_SITE=datadoghq.com
DD_ENV=lab
DD_SERVICE=appoena-lab
DD_VERSION=1.0.0

O site da sua organização pode ser diferente de datadoghq.com. Utilize o valor correspondente à região da sua conta Datadog.

5. Inicie o ambiente

Nos laboratórios baseados em Docker Compose, normalmente será utilizado:

docker compose up -d --build

Os comandos exatos podem variar. Siga sempre as orientações do laboratório selecionado.

6. Valide o resultado

Cada laboratório apresenta critérios de conclusão, como:

• aplicação acessível localmente;
• Agent conectado à organização;
• logs chegando ao Log Explorer;
• traces disponíveis no APM Explorer;
• sessões aparecendo no RUM Explorer;
• métricas disponíveis no Metrics Explorer;
• monitor ou dashboard criado corretamente.

7. Encerre o laboratório

Ao finalizar, remova os recursos locais e, quando indicado, os recursos criados no Datadog:

docker compose down --volumes

Essa etapa ajuda a evitar consumo desnecessário de recursos e possíveis cobranças.

Padrão dos laboratórios

Para facilitar o aprendizado, os laboratórios seguem, sempre que possível, a seguinte estrutura:

1. Objetivo: resultado esperado ao final do exercício.
2. Cenário: contexto técnico ou problema que será simulado.
3. Arquitetura: componentes utilizados e comunicação entre eles.
4. Pré-requisitos: ferramentas, permissões e produtos necessários.
5. Preparação: configuração inicial do ambiente.
6. Execução: instruções passo a passo.
7. Validação: como confirmar que o laboratório funcionou.
8. Desafios adicionais: atividades opcionais para aprofundamento.
9. Troubleshooting: problemas conhecidos e possíveis soluções.
10. Limpeza: remoção dos recursos criados.

Segurança e credenciais

Nunca adicione credenciais reais ao repositório.

• Não faça commit de arquivos .env.
• Não publique API Keys ou Application Keys.
• Não utilize dados pessoais ou dados reais de clientes.
• Dê preferência a contas e ambientes exclusivos para treinamento.
• Conceda apenas as permissões necessárias para cada exercício.
• Revogue ou rotacione credenciais utilizadas temporariamente.
• Verifique os recursos criados antes e depois de cada laboratório.

Os arquivos .env.example devem conter apenas nomes de variáveis e valores fictícios.

Custos e consumo

Alguns laboratórios podem gerar ingestão de logs, métricas, traces, sessões RUM ou execuções de testes Synthetic. Dependendo do plano utilizado, esses dados podem afetar o consumo da organização.

Antes de executar um laboratório:

• confirme quais produtos serão utilizados;
• verifique os limites da sua conta;
• evite executar geradores de carga por períodos prolongados;
• siga as instruções de limpeza;
• remova monitores, testes, dashboards e métricas de laboratório que não serão mais utilizados.

Solução de problemas

Se um laboratório não funcionar como esperado, verifique inicialmente:

1. se todas as variáveis obrigatórias foram preenchidas;
2. se a API Key pertence à organização correta;
3. se o valor de DD_SITE corresponde à região da conta;
4. se os containers estão em execução;
5. se as portas utilizadas estão disponíveis;
6. se o Agent apresenta erros nos logs;
7. se o intervalo de tempo selecionado no Datadog inclui a execução do teste;
8. se os filtros de ambiente, serviço e versão estão corretos.

Para ambientes Docker, os comandos abaixo podem ajudar na investigação:

docker compose ps
docker compose logs
docker compose logs <nome-do-servico>

Consulte também a seção de troubleshooting existente no laboratório.

Contribuições

Para manter consistência entre os materiais:

1. crie uma branch para a alteração;
2. siga o padrão de diretórios e documentação deste repositório;
3. não inclua credenciais, dados pessoais ou arquivos desnecessários;
4. valide o laboratório do início ao fim em um ambiente limpo;
5. atualize o README.md correspondente;
6. abra um Pull Request descrevendo a mudança e como ela foi testada.

Ao criar um novo laboratório, utilize nomes de diretórios em letras minúsculas, sem espaços e separados por hífen, por exemplo:

lab-03-correlacao-rum-apm

Suporte

Em caso de dúvida sobre o conteúdo ou a execução de um laboratório, utilize o canal de suporte informado no curso correspondente. Ao solicitar ajuda, envie:

• nome do curso e do laboratório;
• etapa em que o problema ocorreu;
• mensagem de erro completa;
• sistema operacional utilizado;
• versões das ferramentas envolvidas;
• logs relevantes, removendo previamente qualquer credencial ou dado sensível.

Avisos legais

Datadog é uma marca registrada de seus respectivos proprietários. Este repositório é mantido pela Appoena para fins educacionais e não substitui a documentação oficial da plataforma.

O uso dos materiais deve respeitar os termos, políticas e a licença definidos pela Appoena e pelo próprio repositório.

---

Desenvolvido pela Appoena para transformar conceitos de observabilidade em experiências práticas de aprendizagem.