Cinco palestras do P99 CONF mostram os trade-offs por trás dos designs de bancos de dados

O resumo do P99 CONF 2026 (realizado em 21 e 22 de outubro) parte da conjectura RUM: read amplification, write amplification e space amplification não melhoram juntas. Melhorar uma costuma piorar outra, conforme workload e configuração. Gavra usa isso para explicar as LSM trees como um ajuste entre dois extremos: o log, que favorece escrita, e o array ordenado, que favorece leitura. Em object storage, o custo cai e a durabilidade sobe, mas cada GET e PUT tem preço e a leitura a frio é lenta: cerca de 150 microssegundos num cache miss em NVMe local contra 20 a 30 milissegundos no S3 Standard.

As outras palestras mostram o mesmo padrão em pontos diferentes. O Logstor, do ScyllaDB, troca RAM e trabalho na escrita por leituras com um único I/O em disco (p99.9 abaixo de 1 ms no teste preliminar, com valores de 2 KB, sem comparação direta com os exemplos de LSM). No Valkey, o gargalo era a thread principal, e o ganho veio de filas lockless que mantêm as I/O threads ocupadas (de cerca de 150 mil para 1,2 milhão de requisições por segundo, nesse workload). A turbopuffer usa quantização binária RaBitQ em 100 bilhões de vetores, mas passa a ficar limitada por CPU. A TigerBeetle escreveu seu próprio cliente de object storage em Zig para não travar o processamento de transações em um único core. Todos os números são específicos de cada teste.

A cobertura anterior do CEVIU trata de temas próximos, não de uma evolução do mesmo evento. Em 27 de julho de 2026, o CEVIU noticiou "Otimização da Busca Vetorial: Índices ANN On-Disk vs. In-Memory", sobre o custo de índices na faixa de 100 milhões a bilhões de itens com HNSW em RAM. A palestra da turbopuffer, agora, mostra uma resposta concreta a essa escala: dados em SSD, quantização e reranking. Em 31 de julho de 2026, o texto "Um Dilema de Custos Latentes em Bancos de Dados" já apontava a amplificação de escrita no MVCC do PostgreSQL, a mesma família de custo discutida aqui.

Para quem desenha pipelines e armazenamento, a leitura é que não existe otimização gratuita. Antes de adotar object storage, um engine de leitura ou um índice quantizado, vale perguntar qual custo muda de lugar: RAM, CPU, latência a frio ou complexidade operacional. Benchmarks de palestra servem como direção, não como garantia para o seu workload.