Pular para o conteúdo

Investigação de Incidentes de TI: como aplicar a Análise de Causa Raiz (RCA) com ITIL e boas práticas de mercado

  • por

Introdução

Restaurar um serviço não significa ter eliminado as causas de sua indisponibilidade. Reiniciar um servidor Linux, reverter uma implantação ou reiniciar o MySQL pode recuperar a operação, mas a investigação precisa estabelecer o que aconteceu, por que aconteceu, quais controles falharam e como reduzir a recorrência.

A Análise de Causa Raiz (Root Cause Analysis — RCA) organiza evidências, hipóteses, relações causais e ações corretivas. Neste artigo, apresentamos um fluxo de investigação de incidentes de TI baseado em práticas reconhecidas de gestão de serviços, engenharia de confiabilidade e resposta a incidentes.

1. RCA, incidentes e problemas no ITIL

O Incident Management do ITIL 4 concentra-se em minimizar o impacto negativo e restaurar o serviço o mais rapidamente possível. Já o Problem Management identifica e gerencia causas reais ou potenciais dos incidentes, incluindo soluções de contorno e erros conhecidos. São processos complementares, não sinônimos.

DimensãoGerenciamento de IncidentesGerenciamento de Problemas
ObjetivoRecuperar a operaçãoReduzir causas e recorrências
HorizonteResposta imediataInvestigação e melhoria contínua
ArtefatosChamado, comunicação, registro da recuperaçãoRCA, erro conhecido, plano CAPA
MétricasMTTD, MTTR, SLARecorrência, eficácia das ações, riscos residuais

Um incidente pode ser encerrado após restauração e validação do serviço, enquanto o problema correspondente permanece aberto até que as ações sejam implementadas e verificadas.

2. O que é o modelo rRCI adaptado à TI?

O modelo Rapid Root Cause Investigation (rRCI) aqui utilizado é uma adaptação operacional de investigação estruturada para ambientes de TI; não é uma prática ou certificação oficial do ITIL. Reúne definição do problema, análise IS / IS NOT, cronologia, evidências, hipóteses, 5 Porquês, diagrama de Ishikawa e ações corretivas e preventivas (CAPA).

Seu benefício é transformar uma análise frequentemente informal em um procedimento documentado, repetível e auditável, sem assumir que todo incidente possui uma única causa raiz.

3. Definição do problema: fatos antes de conclusões

Uma descrição como “o servidor está lento” é insuficiente. Uma descrição investigável seria: “entre 14h10 e 14h45, 70% das requisições da aplicação excederam cinco segundos, enquanto o consumo de memória do banco de dados aproximou-se do limite disponível”.

Registre serviço afetado, horário, impacto no negócio, sintomas observados, comportamento esperado e alterações próximas ao evento. O método IS / IS NOT, associado à análise de problemas Kepner-Tregoe, diferencia onde, quando e em quais condições a falha ocorre de contextos comparáveis nos quais ela não ocorre.

DimensãoIS (ocorre)IS NOT (não ocorre)
AmbienteProduçãoHomologação
ComponenteMySQLApache
HorárioProcessamento noturnoOperação matinal
TransaçõesConsultas analíticasConsultas simples

Esses contrastes priorizam hipóteses; por si só, não demonstram causalidade.

4. Linha do tempo e preservação de evidências

Construa uma cronologia única com telemetria, mudanças, alertas, mensagens e ações de recuperação. No exemplo hipotético: 14h00 implantação; 14h08 aumento de consultas; 14h10 pressão de memória; 14h13 alerta; 14h15 encerramento do MySQL; 14h35 rollback; 14h45 normalização.

Uniformize fusos horários e diferencie evento observado de inferência. A proximidade entre implantação e falha não prova, isoladamente, uma relação causal.

Em Linux, comandos úteis para investigação incluem:

journalctl --since "2026-11-07 14:00:00" --until "2026-11-07 15:00:00"
journalctl -k | grep -Ei "out of memory|oom|killed process"
systemctl status mysql
journalctl -u mysql
free -h
ps aux --sort=-%mem | head

Os comandos precisam ser ajustados à distribuição, ao nome do serviço e à política de retenção de logs. Dados coletados após a recuperação descrevem o estado atual, não necessariamente o estado histórico do incidente. Em incidentes de segurança, mantenha controles adicionais de integridade, acesso e cadeia de custódia.

5. Hipóteses e validação

Liste explicações concorrentes e indique qual evidência sustentaria ou refutaria cada uma. Por exemplo: falha de hardware (erros de host e outras VMs afetadas); falha de rede (perda de conectividade correlacionada); pressão de memória (métricas e registro do OOM Killer). Classifique hipóteses como corroboradas, refutadas ou inconclusivas.

Mesmo que o OOM Killer tenha encerrado o MySQL, a investigação continua: é necessário estabelecer por que a pressão de memória ocorreu e quais barreiras preventivas eram insuficientes.

6. Os 5 Porquês e o diagrama de Ishikawa

Exemplo didático: (1) o MySQL ficou indisponível porque foi encerrado; (2) foi encerrado pelo OOM Killer; (3) houve pressão de memória; (4) consultas passaram a consumir recursos excessivos; (5) uma regressão de desempenho passou sem testes de carga representativos e sem limites apropriados. A sequência é hipotética e precisa de confirmação por evidências.

Os 5 Porquês são uma técnica de aprofundamento, não uma obrigação de chegar exatamente ao quinto nível ou a uma única causa. O Ishikawa organiza potenciais fatores em infraestrutura, software, configuração, processos, pessoas, monitoramento e ambiente externo. Suas ramificações são hipóteses, não conclusões automáticas.

7. CAPA: da investigação às ações verificáveis

O plano de ações corretivas e preventivas (CAPA) traduz o diagnóstico em controles permanentes. Ações corretivas tratam causas identificadas; preventivas mitigam riscos potenciais.

AçãoTipoCritério de eficácia
Corrigir a consulta SQLCorretivaConsumo dentro do limite definido
Introduzir teste de carga no pipelinePreventivaRegressões bloqueadas nos testes
Implementar alerta de pressão de memóriaPreventivaAlarme comprovado em teste
Ensaiar rollbackPreventivaProcedimento executado com sucesso

Cada ação deve ter responsável, prazo, prioridade, evidência de conclusão e verificação de eficácia. A conclusão administrativa da atividade não substitui a comprovação de que o risco foi efetivamente reduzido.

8. Postmortem sem culpabilização: contribuição do SRE

O Google Site Reliability Engineering recomenda uma cultura de blameless postmortem: compreender condições técnicas e organizacionais sem reduzir a análise à identificação de culpados. Em vez de registrar apenas “um administrador errou a configuração”, pergunte por que o fluxo de mudança permitia alteração crítica sem testes, revisão ou rollback. A postura preserva responsabilidade profissional e favorece aprendizado sistêmico.

9. AWS Well-Architected e resposta a incidentes de segurança

O AWS Well-Architected Framework, em OPS11-BP02 — Perform post-incident analysis, orienta revisar métricas, mudanças, cronologia, detecção, diagnóstico, mitigação e ações de melhoria. O pilar Confiabilidade também enfatiza análises posteriores para reduzir futuras interrupções.

Se houver comprometimento de contas, vazamento, malware ou exploração de vulnerabilidade, integre o trabalho à resposta de segurança. O NIST SP 800-61 Rev. 3 (2025) orienta a integração da resposta a incidentes com o gerenciamento de riscos de cibersegurança. RCA não substitui contenção, erradicação, recuperação ou análise forense.

10. Implementação e indicadores de maturidade

Defina critérios de abertura de RCA para incidentes críticos, repetitivos ou com causa ainda desconhecida. Vincule incidentes, problemas, mudanças, ativos e evidências no GLPI ou Jira; utilize Zabbix, Grafana, Prometheus e CloudWatch para observabilidade. Adote revisão técnica e acompanhamento de CAPA.

Acompanhe MTTD (tempo médio de detecção), MTTR (tempo médio de restauração), recorrência, ações CAPA no prazo, causas validadas e eficácia das intervenções. Melhoria no MTTR não implica necessariamente menor frequência de falhas: combine indicadores de recuperação e prevenção.

11. Materiais complementares para aplicação

Para facilitar a adoção em operações de infraestrutura, disponibilizamos dois modelos em português baseados na abordagem descrita:

Os arquivos são modelos de apoio e devem ser adaptados à criticidade dos serviços, procedimentos internos e requisitos de governança da organização.

12. Conclusão

A restauração do serviço atende à necessidade operacional imediata; a investigação estruturada permite compreender as condições que produziram o incidente. Ao combinar práticas de Incident Management e Problem Management do ITIL, RCA, SRE, análise de evidências e CAPA, a organização transforma falhas em aprendizado verificável e melhoria contínua.

Uma investigação bem-sucedida não se limita a explicar o passado: deve demonstrar que os mecanismos de prevenção, detecção e recuperação foram fortalecidos.

Referências técnicas

  1. PeopleCert. ITIL 4 — Incident Management e Problem Management.
  2. Google. The Site Reliability Workbook — Postmortem Culture: Learning from Failure.
  3. Google. Site Reliability Engineering — Lessons Learned from Other Industries.
  4. AWS. OPS11-BP02 — Perform post-incident analysis.
  5. AWS. REL12-BP02 — Realizar análises pós-incidentes.
  6. NIST. SP 800-61 Rev. 3 — Incident Response Recommendations and Considerations for Cybersecurity Risk Management (2025).
  7. EPRI. System and Equipment Troubleshooting Guide (referência complementar sobre análise de problemas e IS / IS NOT).

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Este site utiliza o Akismet para reduzir spam. Saiba como seus dados em comentários são processados.