Levando um Nextcloud do bare metal para o K3s: um ensaio geral completo e quanto ele me custou em commits

🌐 Também em: English · Deutsch · Français · Español · Italiano · Nederlands · Polski
Há uma migração chegando que eu venho rodeando há um tempo. Uma instância do Nextcloud que eu administro ainda roda como uma instalação nativa simples — pacotes, servidor web, PHP-FPM, tudo gerenciado à mão em uma única máquina. Ela vai para a stack K3s que eu venho construindo em Ansible.
O motivo honesto da mudança é que a instalação nativa envelheceu. Ela ainda funciona, mas acumulou uma década de pequenas decisões que ninguém anotou, e cada atualização é um evento, não uma rotina. O que espero ganhar do lado do K3s é um tipo mais tedioso de upgrade: a versão do Nextcloud e todas as versões de contêiner fixadas no código Ansible, de modo que uma atualização vira uma tag alterada em um arquivo que eu posso revisar, aplicar do mesmo jeito duas vezes e reverter se der errado. A aplicação e os dados acabam em lugares realmente separados, em vez de entrelaçados em uma única árvore. E o Collabora vira um contêiner próprio, conversando com o Nextcloud por uma interface definida, em vez de estar costurado na mesma instalação — uma coisa a menos que quebra porque duas aplicações compartilham um runtime.
Nada disso é chute, e esse é o principal motivo de eu estar disposto a fazer isso. Este blog já roda na mesma stack K3s há um tempo, e atualizá-lo acabou sendo exatamente tão tedioso quanto eu esperava: muda a tag do contêiner, roda o playbook de novo, pronto. Como o playbook é idempotente, rodá-lo de novo é um não-evento — é a mesma operação, esteja o servidor novo, meio configurado ou já correto, e isso elimina a maioria dos motivos para hesitar antes de rodá-lo. Todo o resto que este blog acumulou pelo caminho — o hardening, o monitoramento, o ingress e o tratamento de certificados, o tuning de desempenho, as pequenas correções que custaram uma noite cada — é código que eu posso simplesmente apontar para o lado do Nextcloud. No fundo, é isso que esta migração é: pegar o que o projeto de baixo risco me ensinou e gastar no que importa.
Antes de fazer isso com uma instância que tem usuários reais, rodei tudo de ponta a ponta primeiro em um servidor descartável: restaurar os dados, restaurar o banco de dados, percorrer o caminho de versões, quebrar coisas, descobrir por quê. Trinta e seis arquivos e mil e cem linhas de mudanças depois, o código Ansible está significativamente melhor do que quando comecei.
Está tudo no GitHub — playbooks, roles, hardening, verificação. O lado do Nextcloud, em particular, recebeu muita atenção recentemente.
Mas o que eu quero mesmo contar não são as correções. É o formato dos problemas.
Índice
🎭 Tudo falhou fingindo ser outra coisa
Nenhum desses problemas se anunciou. Cada um chegou disfarçado de um problema diferente e mais plausível — geralmente um que me mandaria procurar no lugar completamente errado.
Uma instalação de pacote falhou com um erro de permissão que não tinha nada a ver com permissões. chmod: Operation not permitted, como root, com todas as capabilities presentes, em um sistema de arquivos montado normalmente. Verifiquei tudo para onde a mensagem apontava, e estava tudo certo. A causa real era uma diretiva de hardening do systemd no daemon SSH — RestrictSUIDSGID=yes — cujo filtro seccomp é herdado por todo processo descendente do sshd. Ou seja, toda sessão SSH, e todo comando que o Ansible roda por uma delas.
Essa é a lição que vale guardar: hardening aplicado ao sshd não é hardening no nível do serviço. O sshd é uma fábrica de processos para sessões interativas, então tudo o que você restringe ali, restringe para todo humano e toda ferramenta que entra pela porta. Por um tempo eu realmente suspeitei que o provedor de hospedagem tinha travado alguma coisa.
Uma execução do playbook “travou” na etapa do firewall. Nenhum erro, nenhum timeout, só silêncio por minutos. A role muda o SSH para uma porta não padrão e ativa o nftables — na própria conexão que está reconfigurando. O novo ruleset aceita conexões estabelecidas, o que parece completo, só que quando o nftables inicia pela primeira vez, o conntrack não tem registro de uma conexão que existia antes dele. Então a sessão não casava com regra nenhuma e seus pacotes eram simplesmente descartados. Não recusados — descartados. Para o Ansible, isso parece idêntico a uma tarefa demorando muito.
Um site estava completamente inacessível, e o navegador não dizia nada útil. Este ingress controller responde a um hostname cujo certificado TLS ainda não está pronto recusando o handshake de cara — nenhum certificado, nem mesmo um autoassinado. De fora, isso é indistinguível do servidor estar fora do ar. A causa real estava três camadas adiante: uma allowlist de imagens estava bloqueando o pod de challenge do cert-manager, então o certificado nunca podia ser emitido.
E o meu favorito: uma proteção contra força bruta que não protegia nada. Os jails do fail2ban que vigiam logins web liam o log do ingress por um caminho que contém o ID do pod. O fail2ban resolve esse caminho uma vez, na inicialização. Toda vez que o pod do ingress é recriado — uma atualização de imagem, um helm upgrade, um reboot — os jails continuam rodando contra um caminho que não existe mais:
Status for the jail: nginx-k3s-nc-login
|- Filter
| |- Currently failed: 0
| `- File list:
Uma lista de arquivos vazia. Ativado, rodando e estruturalmente incapaz de banir alguém. A checagem de monitoramento que existia só perguntava se o processo do fail2ban estava vivo, e ele estava bem vivo.
🩹 O que saiu disso
A maioria das correções é banal quando você sabe qual era o problema, que é como isso geralmente acontece:
- A troca de SSH e firewall agora acontece com um único reboot em um servidor novo, então ambos sobem juntos a partir de um boot limpo, em vez de serem alterados por baixo de uma conexão ativa.
- Qualquer hostname que ainda não tenha um certificado real recebe um placeholder autoassinado de vida curta, então um aviso do navegador substitui um socket morto. Um aviso diz que o servidor está vivo e o problema é o certificado; um socket morto não diz nada.
- Duas novas checagens de monitoramento: uma para certificados perto de expirar, outra que verifica se os jails do fail2ban estão de fato vigiando um arquivo, em vez de só estarem rodando.
- Mais a metade chata — um remetente de e-mail montado a partir da metade errada de um endereço (o que derrubava o Grafana por completo na inicialização), uma role de verificação que abortava o play inteiro com um erro de parser justamente quando algo estava quebrado, e cabeçalhos de segurança definidos duas vezes com dois valores diferentes.
⬆️ Uma coisa que vale saber antes de planejar uma janela
O Nextcloud se recusa a pular versões major. Levar uma instância restaurada da 32 para a 34 significa parar na 33 no meio, com uma etapa de upgrade em cada parada.
Dois detalhes que a documentação não enfatiza: o contêiner roda o próprio upgrade na inicialização e não aceita tráfego até terminar, então rodar o upgrade manualmente só cria uma corrida com o que já está em andamento — mude a tag da imagem e espere. E confira a lista de apps depois de cada major, não uma vez no final. Alguns apps se desativam temporariamente e voltam; outros são realmente incompatíveis e continuam desligados. Um no meu conjunto é removido por completo em vez de atualizado, porque é instalado por download direto e não pela app store.
🧱 O que eu deliberadamente não mudei
Por um tempo fiquei tentado a fazer o upgrade do AlmaLinux 9 → 10 na mesma janela. Servidor novo, começo do zero, por que não começar logo na major atual, certo?
Eu me convenci do contrário, e acho que o raciocínio se generaliza. Esta migração já muda muita coisa de uma vez: o modelo de deployment (bare metal para K3s), a versão do Nextcloud, como o Collabora roda e a máquina por baixo de tudo isso. Somar um salto de versão major do SO significa somar uma segunda variável, totalmente não relacionada. Se algo então se comportar mal duas semanas depois — uma esquisitice de desempenho, um problema sutil de permissões, algo no SELinux — eu não teria como dizer qual das duas mudanças causou aquilo. Depurar funciona mantendo coisas constantes, e uma migração é justamente o momento em que você tem menos constantes sobrando.
Também não há relógio forçando isso. O AlmaLinux 9 tem suporte até 2032. Esse não é um prazo em torno do qual eu precise planejar.
Mas o motivo mais interessante é o que só ficou visível enquanto eu construía esta stack. Em um setup de contêineres, o sistema operacional do host tem muito menos peso do que tinha antes. Tudo o que realmente determina como o serviço se comporta — a versão do Nextcloud, o PHP, o servidor web, o Collabora — vive em imagens de contêiner cujas versões eu fixo no código Ansible. O host fornece um kernel, o systemd, o K3s e o hardening em volta deles. As decisões interessantes subiram uma camada, e o que está por baixo se tornou comparativamente intercambiável.
O que é uma coisa um pouco estranha de perceber: um dos benefícios desta migração é que ela torna a próxima migração menos importante. O upgrade do SO vira um exercício separado e tedioso que posso fazer nos meus próprios termos, numa noite tranquila, sem mais nada em andamento — que é exatamente o que um upgrade de SO deveria ser.
🔒 A única coisa que o ensaio não conseguiu resolver
Há um problema que eu não consegui contornar de jeito nenhum no servidor de teste: obter certificados válidos do Let’s Encrypt.
O motivo é estrutural, não técnico. O challenge HTTP-01 funciona fazendo o Let’s Encrypt resolver o domínio e buscar um token via HTTP — do endereço para onde o registro A público apontar. Esse ainda é o servidor antigo, e vai continuar sendo até o momento em que eu trocar o DNS. Eu simulei o DNS localmente com uma entrada em /etc/hosts apontando para a máquina nova, o que basta para convencer o meu próprio navegador, mas não faz absolutamente nada pelo Let’s Encrypt, que faz a sua própria consulta no DNS público. Então o servidor novo não consegue ter um certificado válido para um hostname pelo qual ele ainda não responde oficialmente.
Existe uma resposta adequada para isso: o challenge DNS-01 prova o controle do domínio publicando um registro TXT em _acme-challenge.<domain> em vez de servir um arquivo. Ele não se importa para onde o registro A aponta, então os certificados poderiam ser emitidos antecipadamente e estar prontos no primeiro dia. Ele precisa de um provedor de DNS com uma API que o cliente ACME consiga controlar, e configurar isso está fora do que eu quero assumir nesta migração.
Então estou aceitando a lacuna: por alguns minutos depois da troca de DNS, o servidor novo estará acessível ainda sem um certificado válido. É exatamente para essa situação que o certificado placeholder mencionado antes neste post foi construído — em vez de um handshake recusado que parece uma queda, os visitantes recebem um aviso do navegador, que pelo menos diz o servidor está lá e o certificado não está pronto. Não é elegante. Mas uma lacuna conhecida, limitada e visível é melhor que uma invisível, que é mais ou menos o tema de tudo acima.
📅 O que vem a seguir
A migração real acontece nos próximos dias.
O plano para o dia em si é deliberadamente banal:
- Um ou dois dias antes: baixar o TTL do DNS, para que a troca depois se propague em minutos e não em horas.
- Servidor antigo em modo de manutenção. Nada muda por baixo de mim a partir daqui, e nenhum cliente consegue gravar na instância que estou prestes a copiar.
- Backup final do servidor antigo — dados e banco de dados — antes de mexer em qualquer coisa.
- Sincronização final para o servidor novo, fechando a lacuna que se abriu desde a cópia do ensaio.
- Trocar o DNS — A e AAAA. Esquecer o registro IPv6 é um jeito excelente de deixar metade dos seus usuários na máquina antiga enquanto tudo parece ótimo do seu próprio notebook.
- Esperar pelos certificados, que só podem ser emitidos agora (veja acima).
- Testar: login, sincronização do desktop nas duas direções, compartilhamentos ainda intactos, Collabora abrindo um documento, e-mail de saída.
- Deixar o servidor antigo exatamente onde está, em modo de manutenção, como rollback.
Essa ordem importa mais do que parece. Como o servidor antigo entra em modo de manutenção em vez de ser desligado ou apagado, ele continua lá, completo e inalterado — dados, banco de dados, configuração, tudo exatamente como estava no momento em que eu o parei. Se a nova stack acabar sendo um desastre por algum motivo que eu não previ, o caminho de volta é apontar os registros DNS para a máquina antiga de novo e tirar o modo de manutenção. Sem restore, sem perda de dados, nada para remontar, porque nada foi desmontado. O servidor antigo não é desativado no dia da migração; ele é o meu rollback, e continua assim até o novo ter se provado por um tempo.
A única parte que eu realmente não consigo prever é a propagação do DNS. O TTL diz aos resolvers por quanto tempo eles podem fazer cache de um registro, e baixá-lo um ou dois dias antes encurta bastante a cauda — mas é um limite superior, não uma promessa. Muitos resolvers arredondam para cima, alguns o ignoram, e alguns clientes se agarram a um endereço até algo reiniciar. Então, na prática, há uma janela em que alguns usuários chegam ao servidor novo e outros ainda caem no antigo. Isso é desconfortável especificamente para um serviço de sincronização de arquivos, porque gravações podem cair em qualquer um dos lados. É o principal motivo de a instância antiga ficar em modo de manutenção em vez de simplesmente continuar rodando: um usuário que ainda não foi redirecionado vê uma página de manutenção, o que é irritante mas inofensivo, em vez de enviar com sucesso um arquivo para um servidor para o qual ninguém está mais olhando.
Eu gostaria de dizer que o ensaio significa que vai correr bem, e espero que corra. Mas a versão honesta é que um ensaio num servidor descartável com dados copiados não é o mesmo que a instância ao vivo com usuários reais, relações de compartilhamento reais, clientes de sincronização reais que têm opiniões sobre o que mudou enquanto não estavam olhando. Vai ter alguma coisa. Sempre tem.
Então: vou contar aqui depois — o que realmente deu errado, o que o ensaio não conseguiu prever e o que eu tive que mudar. E seja lá o que for, vai direto de volta para o código Ansible no repo, porque um playbook que só funciona no servidor em que você o testou não está pronto.
Se o próximo post for curto e tedioso, esse é o bom resultado.
O padrão por baixo
Olhando para tudo isso em retrospecto, há uma coisa que liga esses problemas.
Nenhum deles era um erro. Eram ausências — um jail sem arquivo, um certificado que nunca foi emitido, uma conexão que parou de responder em vez de recusar, um filtro bloqueando uma syscall que ninguém pensou em procurar. Cada um deles produziu uma saída indistinguível de tudo estar bem.
É isso que um ensaio realmente compra para você. Não a confiança de que vai funcionar — isso você não pode ter. Só uma oportunidade barata de conhecer os silenciosos antes que eles custem alguma coisa.
📚 Mais nesta série: Nextcloud do bare metal para o K3s
