Influência Estratégica de linger.ms no Desempenho do Apache Kafka

A notícia de hoje mergulha na configuração linger.ms do Apache Kafka, um ajuste técnico que impacta diretamente a performance dos produtores. Esse parâmetro define quanto tempo o produtor espera para acumular mensagens em um lote antes de enviá-lo. Valores mais altos de linger.ms resultam em lotes maiores e melhor throughput, mas aumentam a latência. Por outro lado, valores menores priorizam a baixa latência, gerando lotes menores com mais overhead.

Para arquitetos de dados, a chave é otimizar esse balanço. A otimização da ingestão de dados da Zepto com Kafka Connect, conforme noticiamos em 22 de junho de 2026, mostra como ajustes finos no fluxo de dados são essenciais. Não basta olhar o throughput total do cluster. O que realmente importa é a taxa de envio "por produtor, por partição". Se essa taxa é baixa, um linger.ms pequeno pode adicionar latência desnecessária. Em cargas intensas, um linger.ms maior agrupa mais registros, otimizando brokers e consumidores e mitigando problemas de latência, um tema que abordamos em 29 de junho de 2026 ao discutir os riscos de latência no Kafka Share Groups.

A principal mudança que afeta os usuários é a alteração do valor padrão de linger.ms nos clientes Apache Kafka. Antes da versão 4.0, o padrão era 0 ms. A partir do Kafka 4.0, o valor foi ajustado para 5 ms. Isso significa que, ao atualizar clientes para versões 4.x, os produtores já vêm configurados para realizar um certo nível de batching por padrão. Essa mudança pode trazer ganhos automáticos de performance em cenários de alta carga, mas também pode introduzir uma latência ligeiramente maior em ambientes de baixa carga.

Ajustar o linger.ms é uma das alavancas mais poderosas para equilibrar throughput e latência em sistemas Kafka. Uma configuração acertada pode reduzir a carga nos brokers, diminuir requisições de rede e otimizar o uso de recursos em todo o ecossistema de streaming. Para equipes de dados, isso se traduz em entregas de dados mais rápidas e estáveis, garantindo que a informação chegue aos consumidores finais (como aplicações analíticas ou bancos de dados) da forma mais eficiente possível.