Como a Oracle "comeu" minha VPS de graça

· Oracle Cloud, DevOps, Infra, LLM

Esse é o relato técnico (mas sem enrolação) de um incidente que começou com "a vps caiu" e virou uma tarde inteira de detetive de infraestrutura: escassez global de capacidade em nuvem, migração cross-region, um pipeline de dados reconstruído do zero e a troca de um LLM local por uma API externa gratuita. Se você roda algo em produção no Always Free tier da Oracle Cloud (ARM Ampere A1), guarda esse post.

TL;DR


1. O incidente: "a vps caiu"

Tudo começou com uma VPS Oracle Cloud (ARM Ampere A1, Ubuntu 24.04) rodando havia meses: Coolify gerenciando um n8n, Directus, Chatwoot, Evolution API, Typebot, Open WebUI e um Neo4j — a pilha inteira de uma automação pessoal. De repente, SSH parou de responder. Nem ping.

A primeira suspeita nunca deveria ser "a nuvem caiu" — geralmente é configuração, IP errado ou firewall. Então o primeiro passo foi diagnóstico, não pânico:

ping -c 4 <ip-da-vps>          # timeout total
nc -zv -w 5 <ip-da-vps> 22      # timeout
nc -zv -w 5 <ip-da-vps> 443     # timeout

Timeout em todas as portas, incluindo ICMP, é um sinal forte de que o problema não é um serviço específico — é a máquina inteira, ou a rede em volta dela.

2. Diagnosticando sem acesso à VM: a OCI CLI

Sem SSH, a única forma de investigar é pela API da nuvem. Instalei a OCI CLI localmente e configurei uma API Key (gerada em User Settings → API Keys no console — nunca a senha da conta):

bash -c "$(curl -L https://raw.githubusercontent.com/oracle/oci-cli/master/scripts/install/install.sh)" -- --accept-all-defaults
oci setup config   # ou configurar ~/.oci/config manualmente com o "Configuration File Preview" do console

Gotcha #1: logo após gerar uma API Key nova, oci iam region list pode devolver 401 NotAuthenticated mesmo com tudo certo — é propagação, não erro de configuração. Esperar ~1 minuto resolve.

Com a CLI funcionando, o primeiro comando que importa depois de uma instância sumir:

oci compute instance list --compartment-id <tenancy-ocid> --all

Resultado: vazio. Nem em estado RUNNING, nem STOPPED, nem sequer TERMINATED. A instância não existia mais — de verdade, não estava só desligada.

3. A causa: reclamação por ociosidade

Esse é o comportamento documentado (mas pouco divulgado) da Oracle para o Always Free tier: instâncias ARM Ampere A1 com uso de CPU/rede/memória consistentemente baixo por um período (a Oracle avisa por e-mail antes) podem ser recuperadas automaticamente — o compute é apagado, liberando a vaga pra outro cliente.

A boa notícia: block storage (boot volumes) segue uma política separada e mais generosa. Confirmei rodando:

oci bv boot-volume list --compartment-id <tenancy-ocid> --availability-domain <ad>

E lá estava: um boot volume de 200GB, AVAILABLE, com a tag de sistema "free-tier-retained": "true". Todos os dados sobreviveram — Docker volumes, configs, tudo — só a VM em si tinha sumido.

4. Tentativa 1: recriar a instância no boot volume original

O caminho óbvio: lançar uma instância nova usando o boot volume existente como origem (não uma imagem nova):

oci compute instance launch \
  --compartment-id <tenancy-ocid> \
  --availability-domain <ad> \
  --shape "VM.Standard.A1.Flex" \
  --shape-config '{"ocpus": 2, "memoryInGBs": 12}' \
  --source-details '{"sourceType": "bootVolume", "bootVolumeId": "<boot-vol-ocid>"}' \
  --subnet-id <subnet-ocid> \
  --assign-public-ip true

Resultado: InternalError: Out of host capacity.

Gotcha #2 (importante pra quem for automatizar isso): por padrão, o SDK da Oracle faz retry automático internamente quando recebe certos erros — isso faz cada chamada de launch (mesmo falhando) levar ~108 segundos, inviabilizando qualquer script de retry rápido. A flag que resolve:

oci compute instance launch ... --no-retry

Com isso, cada tentativa cai pra ~2 segundos, permitindo um loop de retry de verdade.

5. "Out of host capacity": o problema não é seu

Esse erro é um clássico da comunidade Oracle Cloud. Pesquisando, alguns fatos relevantes:

Montei um retry automático (usando backup/restore do boot volume pra rotacionar entre availability domains) que rodou por muitas horas, sem sucesso — confirmando a escala do problema na prática, não só na teoria.

O que eu tentei e não deu certo (documentando pra economizar seu tempo)

6. A virada: uma conta nova, em outra região

Com o negócio parado, a decisão pragmática foi criar uma segunda conta Oracle Cloud (Always Free permite, mas atenção: a Oracle proíbe múltiplas contas Always Free pela mesma pessoa/cartão/telefone — é risco real de suspensão, avalie com cuidado) escolhendo Frankfurt (eu-frankfurt-1) como home region.

Resultado: a instância ARM subiu na primeira tentativa, sem nenhum erro de capacidade. Confirma o padrão relatado pela comunidade sobre distribuição desigual de capacidade entre regiões.

7. Reconstruindo do zero — mas nem tudo precisava do disco antigo

Aqui está o ponto mais importante do post: nem todo dado "perdido" está realmente preso. Alguns dos serviços que rodavam na VPS antiga restauravam o próprio estado a partir de artefatos publicados externamente (GitHub Releases), não do disco local:

# padrão usado: checkpoint/dataset publicado como GitHub Release,
# baixado e restaurado em qualquer máquina nova
r = requests.get(f"{API}/repos/{REPO}/releases/tags/{TAG}", headers=_headers())
# ...
com tarfile.open(tar_path) as tar:
    tar.extractall(...)

Isso significou que um pipeline de ETL inteiro (rodando 24/7, cron jobs incluídos) e um dashboard público com 351 mil registros puderam ser recriados do zero na conta nova em minutos, sem depender da Oracle liberar capacidade na conta antiga.

Lição de arquitetura: se seu sistema tem estado importante, pergunte-se — esse estado sobrevive se a VM inteira sumir amanhã? Publicar checkpoints/datasets como artefatos versionados (Release do GitHub, objeto em bucket, etc.) é muito mais resiliente do que confiar só no disco de uma única VM.

8. Trocando um LLM local por uma API gratuita externa

Um dos serviços mais divertidos de recriar foi um gerador de dossiê de due diligence via IA — cruza dados de Postgres + grafo Neo4j + um modelo preditivo (score de risco), e usa um LLM pra redigir o parecer final. Na VPS antiga isso rodava via n8n orquestrando uma chamada pro Ollama local (llama3.1:8b).

Como n8n e Ollama também estavam presos na conta antiga, a solução foi cortar a orquestração via n8n e chamar um LLM externo direto do backend:

resp = requests.post(
    "https://openrouter.ai/api/v1/chat/completions",
    headers={"Authorization": f"Bearer {OPENROUTER_API_KEY}"},
    json={"model": OPENROUTER_MODEL, "messages": [...], "stream": False},
    timeout=120,
)

Gotcha #3: modelos :free do OpenRouter têm um pool compartilhado que também sofre de "capacidade cheia" — o mesmo problema da Oracle, só que em escala de minutos, não meses. Um modelo pode devolver 429 rate-limited upstream mesmo com a key correta. A saída: ter uma lista de 2-3 modelos free alternativos e trocar quando um estiver saturado (a lista muda com o tempo — sempre confira GET /api/v1/models antes de fixar um nome de modelo no código).

Gotcha #4: modelos de "raciocínio" (reasoning models) devolvem um campo reasoning gigante além do content final — não é erro, é o chain-of-thought interno. Extraia só choices[0].message.content.

9. Cloudflare + servidor sem certificado válido = erro 521

Ao reapontar o DNS pro novo servidor, o site voltava com 521 - Web server is down mesmo com o Nginx respondendo normalmente na porta 80. Causa: o modo de proxy do Cloudflare (nuvem laranja) tenta alcançar a origem também via HTTPS na porta 443 dependendo do modo de SSL/TLS configurado na zona — e o servidor novo só tinha HTTP.

Fix rápido (suficiente pro modo "Full", que não valida a cadeia do certificado, só exige que a porta responda TLS):

sudo openssl req -x509 -nodes -days 3650 -newkey rsa:2048 \
  -keyout /etc/ssl/private/selfsigned.key \
  -out /etc/ssl/certs/selfsigned.crt \
  -subj "/CN=seu-dominio.com"
# + bloco server { listen 443 ssl; ... } no Nginx

10. Prevenindo que a história se repita

Como tudo começou com uma instância marcada como "ociosa", a última peça foi garantir que a VPS nova não caia na mesma armadilha. A tática (a mesma lógica de scripts de "keepalive" que muita gente já usa pra evitar auto-pause de bancos free tier, tipo Supabase):

Configurar um monitor de uptime externo (UptimeRobot, cron-job.org, etc.) batendo num endpoint real da API a cada 5 minutos. A diferença pra um "ping vazio": isso força o processo a acordar, consultar banco, responder — carga real de CPU e rede, exatamente as métricas que a Oracle audita pra decidir o que é "ocioso". E de brinde, você ganha alerta de verdade se o serviço cair.


Principais lições

  1. Diagnostique pela API antes de assumir o pior — ping/SSH falhando não significa dado perdido; confira o estado real dos recursos (volumes, backups) antes de entrar em pânico.
  2. Free tier tem letras miúdas — reclamação por ociosidade é real e a Oracle avisa por e-mail antes; não ignore esses avisos.
  3. "Out of host capacity" não é bug seu — é escassez real, documentada pela comunidade, e a distribuição entre regiões é bem desigual.
  4. Arquitete pra sobreviver à perda da VM — se dados críticos só existem no disco de uma única máquina, você está a um evento de distância de um problema como esse. Publicar snapshots/checkpoints externos é barato e salva o dia.
  5. APIs gratuitas de LLM têm o mesmo problema de "capacidade cheia" que clouds de compute — tenha sempre um plano B de modelo.
  6. Cloudflare + origem sem HTTPS = 521 — se for usar proxy laranja, a origem precisa responder TLS na 443 também.
  7. Monitoramento de uptime não é só sobre alerta — pode ser, de fato, a diferença entre uma instância free tier considerada "em uso" ou "ociosa".

Todos os posts