Well-ArchitectedComunidade
Nível de dificuldade: Básico (2 de 5)
Por que um apagão de 14 horas na us-east-1 ensina arquitetos AWS a desenhar disponibilidade
O problema
Às 23h48 (horário do Pacífico) de 19 de outubro de 2025, duas cópias da automação que gerencia o DNS do DynamoDB na região us-east-1 entraram em disputa e deixaram o endpoint regional com um registro DNS vazio. O DNS voltou às 2h25, mas o incidente estava longe do fim: o sistema de gerenciamento de hosts do EC2 depende do DynamoDB e entrou em "colapso congestivo". Instâncias novas subiam antes de seu estado de rede se propagar, e os health checks dos load balancers tiravam de operação capacidade que na verdade estava saudável.
A AWS marcou o fim do incidente às 14h20, mais de 14 horas depois, segundo o post-mortem oficial (AWS post-event summary, 2025), citado pela fonte desta matéria, publicada na DEV Community pelo programa AWS Community Builders. O caso gerou mais de 17 milhões de relatos no Downdetector, o maior volume de qualquer apagão de 2025 (Ookla, dezembro de 2025).
Para quem desenha arquitetura em produção, o detalhe que importa não é a falha do DynamoDB em si, mas uma linha específica do resumo da AWS: instâncias do EC2 que já estavam no ar antes do incidente "permaneceram saudáveis" durante toda a janela. Os sistemas que sobreviveram já tinham, de antemão, o que precisavam para continuar rodando. Isso aponta para um problema de design que vai além de "escolher a região certa": é sobre que tipo de recuperação sua arquitetura pede durante um incidente.
A arquitetura
O padrão que a fonte descreve, batizado de estabilidade estática (static stability), parte de um princípio do Amazon Builders' Library: "em um design estaticamente estável, o sistema continua funcionando mesmo quando uma dependência fica comprometida" (original, en) "In a statically stable design, the overall system keeps working even when a dependency becomes impaired" (autor) Mike Furr, Amazon Builders' Library, 2019. Na prática, isso separa dois tipos de recuperação:
- O usuário faz uma requisição que chega primeiro ao Route 53, resolvendo o DNS por um health check de falha regional.
- Enquanto a região primária está saudável, o Route 53 responde com o alias do load balancer da região primária (ex.: eu-west-1), com TTL de 60 segundos no registro.
- Health checkers do Route 53 testam o endpoint
/healthza cada 30 segundos; após 3 falhas consecutivas (cerca de 90 segundos), o registro primário é marcado como não saudável. - A partir daí, novas resoluções de DNS passam a devolver o alias do load balancer da região secundária (ex.: eu-central-1), sem que nenhuma chamada ao plano de controle (Auto Scaling, edição de registro) seja necessária: a capacidade já existe, pré-provisionada.
- Requisições chegam ao load balancer da região secundária, que distribui para instâncias EC2 que já estavam no ar, como as que "permaneceram saudáveis" durante o incidente de outubro.
- Dessas instâncias, a aplicação acessa sua própria camada de dados (DynamoDB global tables ou Aurora Global Database, dependendo do RPO exigido) já replicada na região secundária.
- Clientes com resposta de DNS em cache continuam batendo na região primária até o TTL expirar, o que deve entrar no cálculo do RTO.
O ponto central é que esse fluxo não pede nada novo ao plano de controle: nenhuma instância é lançada, nenhum registro é editado manualmente. É exatamente o oposto do que aconteceu com o Auto Scaling em outubro, quando instâncias novas subiam sem que o estado de rede tivesse se propagado, derrubando capacidade saudável por tabela.
Os serviços envolvidos
A fonte detalha um conjunto específico de peças da AWS para sustentar esse desenho, cada uma com um papel bem demarcado:
- Route 53 health checks com failover routing policy: dão failover regional no plano de dados em cerca de 90 segundos nas configurações padrão, mais o TTL de 60 segundos do nome DNS do ALB. Um health check em um endpoint AWS custa US$ 0,50 por mês, mais US$ 1 por recurso opcional como HTTPS.
- Amazon Application Recovery Controller (ARC), com dois recursos: zonal shift/autoshift, que move tráfego para fora de uma AZ comprometida (o autoshift exige simulações semanais de cerca de 30 minutos, e é preciso pré-escalar as outras AZs antes), e Region switch, que executa planos de recuperação multi-região com "um plano de dados em cada região da AWS". A fonte observa que o ARC readiness check fecha para novos clientes em 30 de abril de 2026, com a AWS recomendando migração para o Region switch.
- DynamoDB global tables, com SLA de 99,999%, no modo padrão MREC (RPO de poucos segundos) ou no modo MRSC (RPO zero, mas exige exatamente três regiões e abre mão de TTL, local secondary indexes e transações).
- Aurora Global Database, com RPO 0 em um switchover planejado, mas perda de segundos de dados em um failover não planejado.
- AWS FIS (Fault Injection Simulator), para testar esses cenários antes que um incidente real force o teste. A biblioteca de cenários inclui "AZ Availability: Power Interruption" e "Cross-Region: Connectivity".
Um exemplo concreto de configuração do Route 53, validado pela fonte em 29 de outubro de 2026 contra a documentação da API HealthCheckConfig e o provider Terraform da AWS (versão 6.71.0, Terraform 1.17.1), define o health check como type = "HTTPS", port = 443, resource_path = "/healthz", request_interval = 30 e failure_threshold = 3. O comentário no código é direto: esse check precisa ser raso, cobrindo só as dependências da própria região, porque "um health check profundo numa dependência compartilhada transforma uma falha isolada em uma cascata".
Trade-offs
O primeiro trade-off é de confiabilidade (reliability, no pilar do Well-Architected): dependências obrigatórias (hard dependencies) multiplicam disponibilidade em série, enquanto cópias redundantes só somam disponibilidade se falharem de forma independente. A fonte usa a aplicação fictícia Harbor Works para ilustrar isso com números reais de SLA publicado: API Gateway e Lambda a 99,95%, DynamoDB a 99,99%, Bedrock a 99,9%.
O stack serverless sozinho (API Gateway → Lambda → DynamoDB) chega a 99,89% (0,9995 × 0,9995 × 0,9999), cerca de 48 minutos de indisponibilidade por mês. Adicionar uma chamada ao Bedrock em série derruba isso para 99,79% (99,89% × 99,9%), por volta de 91 minutos por mês: cada dependência obrigatória em série reduz o teto de disponibilidade, e a chamada ao modelo de IA sozinha quase dobra o tempo de indisponibilidade esperado.
O segundo trade-off compara duas estratégias de réplica que custam parecido mas entregam disponibilidade muito diferente:
| Estratégia | Cálculo | Disponibilidade resultante | Indisponibilidade/mês |
|---|---|---|---|
| Duas regiões, cada uma com seu próprio Bedrock | 1 − (1 − 0,9979)² | 99,9996% | ~11 segundos |
| Duas regiões, mas ambas chamando Bedrock em uma única região | (1 − (1 − 0,9989)²) × 0,999 | 99,90% | ~43 minutos |
A diferença entre as duas linhas é uma única dependência compartilhada (a região do Bedrock), e ela sozinha consome três noves de disponibilidade. O mesmo efeito se repete, de forma mais silenciosa, com um pipeline de deploy compartilhado ou um provedor de identidade único atrás das duas regiões: duas pilhas regionais só contam como paralelas de verdade se nada atrás delas for compartilhado.
O terceiro trade-off é de eficiência de desempenho e de custo combinados: static stability significa pré-provisionar capacidade (por exemplo, rodar 15 instâncias em três AZs para um pico que precisa de 10), em vez de escalar sob demanda. Isso custa mais o tempo todo para garantir que, no momento do incidente, a recuperação não dependa do plano de controle, que é exatamente o que falhou em outubro.
Custo estimado
A fonte não traz preços específicos de São Paulo (sa-east-1), mas os valores publicados por ela em dólar dão base para estimar o custo de um desenho multi-região típico. Um health check do Route 53 custa US$ 0,50 por mês por endpoint monitorado, mais US$ 1 por recurso adicional como verificação HTTPS; para um ambiente com primário e secundário, isso fica na casa de poucos dólares por mês, irrisório perto do resto da conta.
O custo real está nas camadas de dados e computação duplicadas. Seguindo a tabela de estratégias de disaster recovery do Well-Architected (REL13-BP02) que a fonte cita, cada estratégia tem um perfil de custo bem diferente:
| Estratégia | RPO / RTO | O que roda na região de recuperação | Perfil de custo |
|---|---|---|---|
| Backup and restore | Horas / até 24h | Só backups | Mais barato |
| Pilot light | Minutos / dezenas de minutos | Réplicas de dados, computação desligada | Baixo, paga-se principalmente armazenamento |
| Warm standby | Segundos / minutos | Stack completo em escala reduzida | Médio, computação ativa o tempo todo |
| Multi-site active-active | Quase zero / potencialmente zero | Stack completo recebendo tráfego real | Mais caro, dobra a conta de computação e dados |
A regra prática que a fonte propõe para decidir onde gastar é direta: multi-AZ numa única região cobre SLOs até cerca de 99,95%; multi-região só se justifica a partir de 99,99% ou quando um regulador exige um site separado. Para um arquiteto desenhando em sa-east-1, isso significa que a maioria das cargas de trabalho não precisa de uma segunda região: o ganho de disponibilidade de ir de warm standby para active-active raramente compensa o dobro de conta de DynamoDB global tables, Aurora Global Database replicado e inferência Bedrock replicada que isso implica.
Vale lembrar que cada noventa-e-nove adicional de disponibilidade tem custo em algum outro requisito não funcional: mais regiões significam mais IAM, chaves e segredos para manter sincronizados (segurança), réplicas cross-region movem onde dados são processados (compliance), e capacidade ociosa em standby consome energia a cada hora que espera (sustentabilidade).
Como adaptar
Para arquitetos de solução e engenheiros de DevOps/SRE que mantêm cargas em sa-east-1, o ponto de partida não é desenhar para "zero downtime": é escrever um SLO por jornada de usuário (por exemplo, 99,9% de respostas de /orders sem erro 5xx em menos de um segundo) e calcular, com a mesma matemática de série e paralelo da fonte, se a arquitetura atual consegue honrar esse número no papel antes mesmo de rodar um teste.
Um caminho prático para começar, inspirado diretamente no exemplo de Harbor Works da fonte:
- Liste cada dependência obrigatória do fluxo crítico (API Gateway, Lambda, DynamoDB, e qualquer chamada a Bedrock ou outro modelo) e multiplique as disponibilidades de SLA publicadas para achar o teto real do sistema.
- Se o teto ficar abaixo do SLO desejado, decida entre reduzir dependências obrigatórias ou aceitar um SLO mais baixo, em vez de prometer algo que a conta já descarta.
- Configure health checks rasos do Route 53 (como o
resource_path = "/healthz"do exemplo) que testem só as dependências da própria região, para não transformar uma falha isolada em cascata. - Pré-provisione capacidade suficiente em múltiplas AZs para o pico esperado, de forma que o Auto Scaling não precise ser chamado durante um incidente.
- Rode um experimento de fault injection por modo de falha antes do primeiro incidente real; o exemplo da fonte usa AWS FIS para cortar, por 10 minutos, o acesso de sub-redes de aplicação ao endpoint regional do DynamoDB, com uma condição de parada presa a um alarme de burn rate do SLO.
Para quem já trabalha com IA em produção, a adaptação adicional é tratar o modelo como mais uma dependência com SLA e fila de falhas: a camada Reserved do Bedrock mira 99,5% de uptime de resposta do modelo, segundo a AWS (novembro de 2025), número que entra na mesma conta em série do resto do stack e normalmente puxa o teto de disponibilidade para baixo, sem que nenhum ajuste em Lambda resolva isso. A fonte recomenda construir uma "escada de degradação", em que cada degrau depende de menos coisa que o anterior, terminando num último degrau que não depende de nenhum modelo.
A matéria conecta esse tema diretamente com o trabalho de quem faz migração e desenho Well-Architected: o apagão de outubro não foi causado por falta de redundância regional per se, mas por uma arquitetura de recuperação que dependia do plano de controle (lançar instâncias novas) justamente no momento em que esse plano de controle estava comprometido. Redesenhar para static stability, com capacidade pré-provisionada e failover no plano de dados, é o ajuste concreto que a fonte propõe para que o próximo incidente de 14 horas em uma região não vire um incidente de 14 horas na sua aplicação.
Serviços neste textoWell-ArchitectedMigração
Leve para a sua IA
Decida com o seu assistente, com o contexto deste texto já montado.
1. O que você quer saber
Ver o prompt
Li no AWS Hub: "Por que um apagão de 14 horas na us-east-1 ensina arquitetos AWS a desenhar disponibilidade" (https://awshub.com.br/comunidade/por-que-um-apagao-de-14-horas-na-us-east-1-ensina-arquitetos-aws-a-desenhar-disp). Resumo: Em outubro de 2025, uma corrida de DNS no DynamoDB da us-east-1 derrubou o EC2 em cascata por mais de 14 horas. O caso mostra por que arquitetos de solução precisam desenhar disponibilidade com SLO, estabilidade estática e failover no plano de dados, não só multiplicar regiões. Serviços: Well-Architected, Migração Minha stack: [descreva em uma linha: serviços, linguagem, volume, região] Isso muda alguma coisa na minha arquitetura? O que eu faria diferente a partir de amanhã?