Pular para o conteúdo
Voltar para o Blog

Performance de banco de dados e engenharia de dados sob pressão: Wait Stats, índices e migrações sem downtime

Na engenharia de software e de dados, quase todo colapso de performance em produção segue o mesmo roteiro: uma funcionalidade nasce simples com dez mil registros na tabela, passa nos testes funcionais e vai para o ar. Dois anos depois, aquela tabela tem 120 milhões de linhas, um ORM dispara trezentas consultas SELECT escondidas dentro de um laço (N+1), relatórios gerenciais rodam no mesmo banco primário que processa vendas e, no horário de pico, as conexões esgotam o pool em cascata.

A resposta fácil é aumentar o tier do banco gerenciado na nuvem e multiplicar a conta mensal por três. A resposta de engenharia que realmente sustenta o crescimento (e que nos permitiu destravar um salto de 30x na capacidade de processamento de um hub transacional crítico, além de reduzir drasticamente custos de infraestrutura) passa por dominar como os motores de banco de dados funcionam por baixo do capô.

1. Medir antes de chutar: Wait Stats, planos de execução e índices compostos

Antes de alterar qualquer parâmetro de servidor, bancos relacionais modernos como SQL Server e PostgreSQL já entregam a radiografia exata de onde o tempo está sendo gasto:

  • Estatísticas de espera e top queries (sys.dm_os_wait_stats / Query Store no SQL Server; pg_stat_statements e EXPLAIN (ANALYZE, BUFFERS) no PostgreSQL): quase sempre, menos de cinco consultas mal indexadas ou sem paginação por cursor (keyset pagination) consomem mais de 75% do I/O lógico de todo o cluster.
  • Ordem das colunas e Covering Indexes (INCLUDE): criar dez índices individuais em colunas isoladas atrasa cada INSERT e UPDATE sem resolver consultas filtradas por múltiplas condições. Índices compostos desenhados pela seletividade real das cláusulas WHERE e ORDER BY, somados a colunas incluídas (INCLUDE), permitem que o banco responda direto da árvore B-Tree (Index-Only Scan) sem tocar nas páginas pesadas da tabela.
Gargalo Clássico em ProduçãoSintoma VisívelSolução Estrutural de Engenharia
Consultas N+1 e paginação OFFSET 50000Latência cresce linearmente com o tamanho da baseProjeções enxutas, batching explícito e paginação por cursor (Keyset)
Schema migration bloqueante em produçãoQueda geral de APIs durante deploy de coluna novaPadrão Expand/Contract + CREATE INDEX CONCURRENTLY / ONLINE = ON
Cache Stampede no RedisBanco primário cai quando uma chave quente expiraTTL com jitter aleatório, stale-while-revalidate e trava de recomputação
Relatórios de BI e Python lendo banco OLTPTravamentos (locks) no checkout durante expedienteExtração via réplica de leitura ou CDC para o Data Lakehouse

2. Migrações Zero-Downtime (Expand and Contract)

Mais da metade das quedas graves atribuídas a “problema no banco” nascem, na verdade, de migrations inocentes disparadas pelo pipeline de deploy: renomear uma coluna usada pela versão anterior dos containers que ainda estão recebendo tráfego, adicionar coluna NOT NULL com reescrita física de tabela gigante ou criar índice bloqueando escrita por doze minutos.

Equipes maduras aplicam rigorosamente o protocolo Expand / Contract:

  1. Expandir: adicione a nova coluna anulável ou nova tabela sem quebrar o código atual, criando índices em modo não bloqueante (CONCURRENTLY no Postgres / ONLINE = ON no SQL Server).
  2. Escrita dupla e Backfill em lotes pequenos: atualize a aplicação para gravar no formato antigo e no novo, e preencha o histórico em lotes controlados (batches de 5.000 linhas) sem inflar o log de transações nem estourar a replicação.
  3. Virar leitura e Contrair: somente após 100% das instâncias lerem do novo campo com segurança, remova o código legado e descarte a estrutura antiga em janela segura.

3. Persistência poliglota e pipelines de dados idempotentes em Python

Saber quando usar relacional estrito (PostgreSQL / SQL Server para transações financeiras, pedidos e estoque), documentos (MongoDB para catálogos polimórficos e eventos de auditoria), memória (Redis com proteção contra Cache Stampede) e colunar analítico (BigQuery / Lakehouse alimentado por pipelines idempotentes em Python e SQL) é o que transforma a área de dados e arquitetura em multiplicadora direta de escala e margem para toda a companhia.


Referências e leituras verificáveis

Cesar Zanis / Tecnologia

Uma boa conversa merece continuar.

Compartilhe o artigo ou publique os slides nos seus Stories e no Feed.

WhatsApp ↗LinkedIn ↗X ↗
Cesar Zanis
Escrito por·Arquiteto de Software & Líder de Tecnologia

Cesar Zanis

15+ anos liderando arquitetura de software, banco de dados de missão crítica, FinOps e IA aplicada. Estruturou e escalou uma operação de engenharia do zero a mais de 20 desenvolvedores.

15+ anos de atuaçãoArquitetura & DadosCloud & FinOps0 → 20+ Devs

Gostou deste artigo?

Publico análises práticas sobre arquitetura de sistemas críticos, Cloud FinOps, dados, IA e liderança de engenharia diretamente no LinkedIn.

Continue Lendo

Leve esta análise adiante com dados e fontes

Os cards visuais deste artigo estão prontos logo acima para você compartilhar nos seus Stories, Feed, WhatsApp ou LinkedIn com a legenda e as fontes.