Stripe revoluciona remediação de bancos de dados com grafos e automação

A Stripe inovou na recuperação de incidentes em seu ambiente de banco de dados MongoDB, que em 2025 processou 1.9 trilhão de dólares. A empresa modelou a infraestrutura de shards como um grafo, onde cada estado do banco é um nó e as operações de remediação são as arestas. O objetivo é encontrar o caminho mais eficiente para um estado saudável. O sistema emprega algoritmos de busca, inicialmente breadth-first search e depois Dijkstra, para gerar planos de remediação dinâmicos. Esta abordagem resolveu a complexidade de múltiplos layouts de sharding e falhas simultâneas, uma limitação severa de sistemas de automação estáticos, garantindo uma resposta mais ágil e robusta a problemas de infraestrutura.

Para garantir que o que é simulado é o que de fato será executado, a Stripe criou uma camada de abstração com uma interface CommonContext. Isso permite que a lógica de remediação utilize os mesmos blocos de construção tanto em simulação (rapidamente, em memória) quanto em produção (com chamadas reais a APIs via Temporal). A simulação, que antes levaria minutos de I/O, agora acontece em milissegundos, avaliando milhares de transições de estado por segundo. Este modelo de teste e execução é fundamental para a confiança e segurança de um sistema que manipula dados financeiros críticos em larga escala.

Antes, a automação (V1) da Stripe usava uma máquina de estados com plugins hard-coded e sequenciais. Esse modelo falhava em cenários de múltiplas falhas, tinha dependências implícitas frágeis e exigia retrabalho manual para cada novo layout de shard, demandando cerca de uma semana por configuração. Fluxos de trabalho cancelados também deixavam shards em estados intermediários, exigindo intervenção humana.

Agora, o novo sistema supera essas limitações. Ao tratar a infraestrutura como um grafo e usar algoritmos como breadth-first search (para o caminho mais curto) e Dijkstra (para o estado menos degradado), ele gera planos de recuperação dinamicamente. Esta evolução reduziu os alertas de pager em 30%, ou cerca de 200 páginas a menos por ano, e diminuiu em 12 dias anuais o tempo que os shards ficavam em estado não saudável. O sistema é independente de layout e pode calcular um novo caminho de recuperação mesmo após um cancelamento, oferecendo resiliência e adaptabilidade inatingíveis antes.

Esta inovação da Stripe é relevante por demonstrar como princípios de ciência da computação, como a teoria dos grafos e algoritmos de busca, podem ser aplicados para resolver desafios complexos de engenharia de dados e infraestrutura. A capacidade de modelar o estado da infraestrutura como um grafo e aplicar algoritmos de busca para encontrar sequências de operações otimizadas transforma a forma como incidentes são gerenciados, passando de runbooks estáticos para uma remediação dinâmica e inteligente.

O modelo implementado pela Stripe serve de exemplo para outras empresas que lidam com frotas de bancos de dados distribuídos. A técnica de simulação em memória, que valida planos de ação antes da execução em produção, é um avanço na garantia de segurança e eficácia das operações automatizadas. Isso representa um ganho significativo em resiliência operacional, minimizando interrupções e liberando equipes para tarefas de maior valor, em vez de remediando incidentes de forma manual e reativa.