Neste artigo
- Como a falha na AWS causou o incidente na Coinbase
- O dilema entre baixa latência e resiliência de dados
- 1. A perda do quórum no protocolo Raft
- 2. A ausência de failover automático entre zonas
- Falhas em cascata e o gargalo do Apache Kafka
- Lições práticas para o desenvolvedor brasileiro
- O futuro da infraestrutura na Coinbase
- Por que a Coinbase não usava várias zonas de disponibilidade?
- O que é o protocolo Raft citado no incidente?
- Como o Kafka influenciou o tempo de downtime?
- Quais as recomendações para evitar esse tipo de queda?
Em maio de 2026, o mercado de criptoativos observou com atenção um dos incidentes mais didáticos da história recente da computação em nuvem. A Coinbase, uma das maiores exchanges do mundo, publicou um postmortem detalhado sobre a interrupção que paralisou suas operações por diversas horas.
O que começou como uma falha localizada de resfriamento em um data center da AWS (Amazon Web Services) escalou para um cenário de desastre que impediu milhões de usuários de realizar ordens de compra e venda.
Para o desenvolvedor brasileiro, especialmente aqueles que atuam em sistemas de missão crítica ou fintechs, o incidente serve como um lembrete valioso: a resiliência não é um subproduto automático do uso da nuvem.
Na verdade, como a própria Coinbase admitiu, a arquitetura projetada para oferecer performance extrema acabou criando dependências ocultas que se tornaram o calcanhar de Aquiles durante a crise na região US-East-1.
Como a falha na AWS causou o incidente na Coinbase
O gatilho inicial foi um evento térmico em uma única Zona de Disponibilidade (AZ) da AWS. Múltiplas unidades de resfriamento falharam simultaneamente em um data hall, o que forçou o desligamento preventivo de diversos racks para evitar danos permanentes ao hardware.
Esse desligamento levou instâncias do EC2 e volumes do EBS para o estado offline, atingindo em cheio a infraestrutura da exchange.
O que você precisa saber:
Embora a AWS ofereça alta disponibilidade, falhas físicas ainda ocorrem. O erro da Coinbase não foi a falha da AWS em si, mas a falta de um mecanismo de failover automatizado para o seu motor de correspondência (Matching Engine).
A falha na AWS ocorreu em 7 de maio de 2026, na região US-East-1, devido a um problema nos sistemas de resfriamento que causou o desligamento de instâncias EC2 e volumes EBS. Isso resultou na perda de quórum do cluster Raft da Coinbase, paralisando o trading por várias horas.
O dilema entre baixa latência e resiliência de dados
No centro do sistema de trading da Coinbase está o Matching Engine, o motor responsável por cruzar ordens de compra e venda em milissegundos.
Para atingir a ultra-baixa latência exigida por clientes institucionais, a engenharia da Coinbase optou por utilizar um cluster baseado no protocolo de consenso Raft operando dentro de um AWS Cluster Placement Group.
Essa estratégia de colocação mantém os nós fisicamente próximos dentro do data center para minimizar o atraso de rede entre os membros do consenso. Contudo, essa mesma escolha criou uma fragilidade geográfica.
Quando a falha de resfriamento atingiu os racks específicos onde o cluster estava hospedado, três dos cinco nós ficaram indisponíveis instantaneamente.
1. A perda do quórum no protocolo Raft
O protocolo Raft exige que a maioria dos nós esteja ativa para processar transações. Com a perda de três nós, o sistema perdeu o quórum e, por segurança, parou de processar qualquer ordem.
Sem o quórum, o estado do livro de ofertas (order book) não poderia ser atualizado de forma consistente, resultando na interrupção total dos serviços.
2. A ausência de failover automático entre zonas
Diferente de sistemas web convencionais, mover um motor de correspondência de alta performance entre zonas de disponibilidade não é trivial.
A Coinbase reconheceu que seu design priorizou tanto a performance que não possuía um mecanismo automatizado para reconstruir o quórum em outra zona sem intervenção manual e mudanças emergenciais de código.
Fator | Decisão da Coinbase | Impacto na Crise |
|---|---|---|
Topologia | Single Availability Zone | Ponto único de falha regional |
Placement Group | Cluster (Colocação próxima) | Latência mínima, risco máximo |
Recuperação | Manual / Reconstrução de Quórum | Horas de downtime para validação |
Falhas em cascata e o gargalo do Apache Kafka
Além do motor de trading, a infraestrutura de mensagens baseada em Apache Kafka também sofreu um impacto severo.
O Kafka é utilizado pela Coinbase para distribuir dados operacionais e atualizações de mercado em tempo real. Muitas das partições de dados estavam "presas" na zona afetada pela falha térmica.
Mesmo quando a AWS começou a restaurar a energia e o resfriamento, o backlog de mensagens acumulado era tão grande que os sistemas consumidores não conseguiam processar os dados com rapidez suficiente.
Os engenheiros de DevOps tiveram que realizar migrações manuais de partições e rebalancear cargas de trabalho para restaurar o fluxo normal de dados, o que adicionou camadas de complexidade à recuperação.
Sistemas distribuídos modernos raramente falham por causa de um único componente quebrado. O desastre acontece quando falhas individuais interagem de formas inesperadas.
Lições práticas para o desenvolvedor brasileiro
Para quem trabalha com tecnologia no Brasil, esse caso é uma aula sobre SRE (Site Reliability Engineering) e arquitetura de sistemas.
É comum vermos startups locais que utilizam apenas uma região da AWS (geralmente Virginia ou São Paulo) para reduzir custos, mas o risco de concentração é real.
O caso da Coinbase ensina que a redundância deve ser testada sob condições de estresse real.
A principal lição é que o failover entre zonas de disponibilidade deve ser automatizado e testado via Chaos Engineering. Depender de intervenção manual em sistemas de alta transação invariavelmente leva a janelas de manutenção prolongadas e prejuízos financeiros.
Outro ponto relevante é a evolução na carreira. Desenvolvedores que entendem não apenas o código, mas como a infraestrutura se comporta em falhas físicas, são os mais valorizados pelo mercado atual.
A Coinbase agora planeja implementar capacidades de recuperação automatizada cross-zone e testes de desastre mais rigorosos, criando oportunidades para especialistas em resiliência.
O futuro da infraestrutura na Coinbase
Como resposta ao incidente, a exchange delineou um plano de remediação focado em quatro pilares: automação de recuperação entre zonas, melhoria nos procedimentos de restauração de quórum, infraestrutura de mensageria resiliente e testes de Chaos Engineering expandidos.
A empresa enfatizou que, embora prevenir falhas seja impossível, acelerar a recuperação é a métrica que realmente define o sucesso de uma equipe de engenharia.
O episódio reforça que a nuvem é apenas o computador de outra pessoa e que a responsabilidade pela disponibilidade final da aplicação é sempre do arquiteto do sistema.
Para o dev que deseja se destacar, estudar postmortems de empresas como GitHub, Netflix e agora Coinbase é o melhor caminho para evitar cometer os mesmos erros em seus próprios projetos.
Perguntas frequentes
Por que a Coinbase não usava várias zonas de disponibilidade?
Para garantir a menor latência possível no processamento de ordens, os nós do motor de trading precisavam estar fisicamente próximos. O uso de múltiplas zonas aumentaria o tempo de resposta entre os nós, o que poderia prejudicar o trading de alta frequência (HFT), mas a falta dessa redundância custou caro durante a falha física da AWS.
O que é o protocolo Raft citado no incidente?
O Raft é um protocolo de consenso projetado para ser fácil de entender e implementar. Ele garante que um grupo de computadores concorde com o estado de um sistema mesmo que alguns nós falhem. No entanto, ele exige que a maioria (quórum) esteja ativa para funcionar, o que foi o ponto de falha na Coinbase.
Como o Kafka influenciou o tempo de downtime?
O Kafka não causou a queda, mas dificultou a volta. Com partições de dados presas na zona indisponível e um acúmulo gigante de mensagens, o sistema de mensagens tornou-se um gargalo, exigindo que engenheiros movessem cargas manualmente para outras zonas antes de reabrir o trading.
Quais as recomendações para evitar esse tipo de queda?
As melhores práticas incluem: distribuir clusters de consenso entre pelo menos três zonas de disponibilidade, automatizar o failover, realizar testes de injeção de falhas regularmente e manter uma separação clara entre camadas de performance e camadas de persistência de dados.