<\> Casa do Dev
Notícias abrir
Ferramentas abrir
Vagas abrir
Aprender abrir
Comunidade abrir
Guia de Compras abrir

Uber escala processamento financeiro com batching para suportar alta carga

DA

8 min

Entusiasta das Tecnologias

Uber escala processamento financeiro com batching para suportar alta carga

Uber revela como superou gargalos de performance em seu sistema financeiro utilizando batching e Redis, permitindo mais de 30 atualizações por segundo por conta sem perder a consistência.

Neste artigo

Como o Uber escala processamento financeiro com batching para suportar alta carga

Manter a precisão de cada centavo em uma plataforma global é um desafio de engenharia colossal. O Uber acaba de revelar como resolveu um problema crítico de performance em sua infraestrutura de contabilidade: a contenção de escrita em contas "quentes" (hot accounts). Através de um novo sistema de processamento de ledger baseado em batching, a empresa agora consegue processar mais de 30 atualizações por segundo por conta, mantendo a consistência rigorosa exigida por sistemas financeiros.

Para desenvolvedores que lidam com sistemas de alta concorrência no Brasil, especialmente em fintechs ou e-commerces, o caso do Uber é uma aula de como a escolha da estratégia de persistência pode ser o diferencial entre um sistema resiliente e um que trava sob pressão.

O que você precisa saber:

O Uber implementou janelas de agrupamento de 250ms e coordenação via Redis para transformar múltiplas escritas individuais em operações atômicas únicas, reduzindo drasticamente o overhead de storage e o tempo de processamento de pipelines financeiros.

O problema da contenção de escrita em sistemas de Ledger

Um sistema de ledger (livro-razão) financeiro geralmente utiliza o modelo de partidas dobradas (double-entry accounting), onde cada movimento monetário é registrado rigorosamente para garantir rastreabilidade total. O problema surge quando uma única conta recebe centenas de atualizações simultâneas, como acontece em ajustes em massa, reconciliações ou correções operacionais.

No modelo anterior do Uber, cada atualização disparava um ciclo completo e independente: busca do estado atual, validação, cálculo de saldo e persistência. Em cenários de alta carga, isso gerava a chamada "amplificação de escrita", onde o sistema gastava mais tempo coordenando acessos ao banco de dados do que processando a transação em si.

Para o desenvolvedor brasileiro que trabalha com microsserviços, esse cenário é familiar. Quando milhares de requisições tentam atualizar a mesma linha de um banco de dados SQL simultaneamente, ocorrem os famosos locks, causando latência e, em casos extremos, derrubando o serviço por timeout.

Resposta rápida: A contenção de escrita ocorre quando múltiplas transações competem para atualizar o mesmo registro simultaneamente, gerando gargalos de I/O e locks de banco de dados, o que limita o throughput do sistema.

A solução: Batching e coordenação com Redis

Para romper esse gargalo, a equipe de engenharia do Uber abandonou o processamento por requisição individual e adotou um modelo de execução por lotes (batching). Em vez de processar cada evento na hora, o sistema agora agrupa operações destinadas à mesma conta em janelas temporais curtíssimas.

A estratégia utiliza janelas de aproximadamente 250 milissegundos. Durante esse intervalo, todas as atualizações de uma conta são acumuladas. Ao final do tempo, o sistema realiza uma única leitura do estado da conta, aplica todas as validações e cálculos de saldo do lote e persiste o resultado final em uma única operação atômica.

O papel do Redis na orquestração

A coordenação desse agrupamento é feita via Redis, que serve como a camada de afinidade. O Redis garante que as atualizações de uma mesma conta sejam direcionadas para o mesmo processador de lote, evitando que diferentes instâncias tentem processar o mesmo lote simultaneamente, o que comprometeria a consistência.

Atomicidade e Atualizações Otimistas

Para garantir que nenhum dado seja perdido ou sobrescrito incorretamente, o Uber utiliza mecanismos de optimistic atomic updates. Isso significa que o sistema assume que a atualização terá sucesso, mas verifica a versão do dado antes de persistir. Se houver conflito, a operação é tratada de forma isolada, evitando que a falha de uma transação derrube todo o lote.

Modelo Tradicional (Per-Request)Modelo de Batching (Uber)
Uma leitura/escrita por transaçãoUma leitura/escrita para múltiplas transações
Alta amplificação de escritaEscrita otimizada e compactada
Gargalo em contas com alta atividadeSuporte a 30+ atualizações/seg por conta
Pipelines de reconciliação lentosProcessamentos de horas reduzidos a minutos

O equilíbrio entre latência e throughput

Um dos maiores desafios desse design é o trade-off entre a janela de batching e a latência ponta a ponta. Se a janela for muito pequena, o overhead de coordenação continua alto. Se for muito grande, o usuário ou o sistema de auditoria percebe um atraso no processamento dos dados.

A escolha dos 250ms foi o "ponto ideal" para o Uber: rápido o suficiente para ser quase tempo real, mas longo o suficiente para agregar transações relevantes e reduzir drasticamente a carga no banco de dados.

Para quem constrói APIs de pagamentos ou sistemas de carteiras digitais no Brasil, essa abordagem é extremamente útil. Em vez de forçar o banco de dados a lidar com picos de escrita, a camada de aplicação (usando Redis ou Kafka) atua como um amortecedor, organizando os dados antes de enviá-los ao storage definitivo.

Impacto na infraestrutura e escalabilidade horizontal

A nova arquitetura permite que o sistema escale horizontalmente com eficiência. Como o agrupamento é baseado na afinidade da conta, o Uber pode adicionar mais nós de processamento sem que eles briguem pelos mesmos registros, já que cada nó cuida de um conjunto específico de contas no momento.

O resultado prático foi a redução de pipelines financeiros que levavam horas para serem concluídos para apenas alguns minutos. Isso impacta diretamente a resiliência operacional, permitindo que correções financeiras e reconciliações de marketplace sejam feitas quase instantaneamente.

Além disso, a implementação de mecanismos de isolamento de falhas garante que problemas de rede ou storage transientes não causem a repetição desnecessária de todo o lote, tratando erros no nível da operação individual sempre que possível.

Como aplicar esses conceitos no seu projeto

Você não precisa de a escala do Uber para aplicar esses princípios. Se você percebe que certas tabelas do seu banco de dados estão sofrendo com deadlocks ou lentidão em atualizações frequentes, considere as seguintes etapas:

  • Identifique Hot Spots: Use logs e métricas para descobrir quais registros são atualizados com mais frequência.

  • Implemente um Buffer: Utilize Redis ou RabbitMQ para acumular atualizações por um curto período (ex: 100ms a 500ms).

  • Agregue Operações: No worker de processamento, some os valores e aplique a alteração final no banco de dados em uma única query.

Lembre-se que a consistência financeira não permite erros. O uso de transações atômicas e a verificação de versão (versioning) são indispensáveis para evitar a perda de dados durante o processo de agregação.

O futuro do processamento de alta performance

O caso do Uber demonstra que, mesmo com a evolução dos bancos de dados modernos, a inteligência na camada de aplicação continua sendo a chave para a escalabilidade. O uso de batching coordenado transforma a forma como lidamos com a contenção de escrita, movendo a complexidade do banco de dados para a orquestração de memória.

Para o desenvolvedor, o aprendizado aqui é claro: nem todo dado precisa ser persistido no milissegundo em que chega. Às vezes, aguardar alguns milissegundos para processar em lote é a diferença entre um sistema que escala e um que colapsa.

Se você quer evoluir sua arquitetura, comece a estudar padrões de Event Driven Architecture e sistemas de mensageria. O mercado brasileiro de tecnologia valoriza profissionais que sabem otimizar a performance além do básico do CRUD.

Perguntas frequentes

O que é contenção de escrita (write contention)?

É quando múltiplos processos tentam atualizar o mesmo registro no banco de dados ao mesmo tempo. Para evitar a corrupção de dados, o banco cria travas (locks), fazendo com que as outras requisições esperem, o que aumenta a latência e pode travar a aplicação.

O batching não causa perda de dados se o sistema cair?

Para evitar isso, sistemas como o do Uber utilizam filas persistentes e logs de transação. Se o processador de lote falhar, a mensagem permanece na fila ou é recuperada via log, garantindo que a operação seja reprocessada sem perda de informação.

Quando devo usar Redis para coordenação de lotes?

Quando você possui múltiplos servidores processando dados e precisa garantir que todas as atualizações de um mesmo identificador (como a conta de um usuário) sejam processadas sequencialmente ou agrupadas por um único worker, evitando conflitos de concorrência.

Qual a diferença entre batching e processamento assíncrono?

O processamento assíncrono apenas retira a tarefa do fluxo principal para ser feita depois. O batching vai além: ele agrupa várias tarefas semelhantes para que sejam executadas como uma única operação, reduzindo o número de interações com o banco de dados.

O que você achou deste artigo?

Responda a Pergunta do Dia Teste seu conhecimento e mantenha sua streak. Crie seu Dev Card público Perfil dev compartilhável em um único link.

Depois dessa formação...

Veja vagas em tecnologia →

Vagas relacionadas

Ver todas as vagas →
DA

Escrito por

Dagmar Cirino

Entusiasta das Tecnologias

Atualizado em 06/10/2026 •

Sou o Cirino, e desenvolvo soluções e produtos utilizando linguagens de programação e ferramentas de analytics e monitoração baseadas em Cloud. Trabalho com tecnologia desde 2010,...

Ver perfil do autor

COMPARTILHAR