Coinbase analisa a falha de maio: falha em cascata da AWS expõe riscos arquiteturais

A Coinbase publicou um relatório retrospetivo sobre a interrupção de serviço em larga escala ocorrida a 7 de maio de 2026.

A falha durou cerca de 8 horas, com a recuperação total a demorar cerca de 12 horas. Durante este período, as negociações, depósitos, levantamentos e a maioria dos serviços principais ficaram indisponíveis ou gravemente afetados. A Coinbase afirmou que a falha foi causada pela avaria simultânea de várias unidades de refrigeração no sistema de arrefecimento de um centro de dados numa zona de disponibilidade (use1-az4) na região us-east-1 da AWS, o que desencadeou encerramentos de proteção térmica nos bastidores, levando à inatividade de instâncias EC2 e volumes EBS, afetando vários serviços de internet.

Durante o processo de recuperação, o motor de correspondência de negociações da Coinbase perdeu o quórum devido ao facto de a arquitetura de cluster, implementada num único centro de dados da AWS, ter perdido a maioria dos nós. Foi necessário realizar ajustes urgentes no código e a reconstrução de um novo grupo de nós para restaurar a operação, reiniciando gradualmente a negociação de mercado durante a recuperação.

Além disso, o serviço Kafka gerido pela AWS (MSK) sofreu falhas no plano de controlo, impedindo a reeleição automática de líderes de partição, o que bloqueou ainda mais as cotações, taxas e alguns sistemas de liquidação e fluxo de dados, ampliando o impacto global.

Após a migração manual de partições em colaboração com a equipa de engenharia da AWS, o sistema regressou gradualmente à normalidade. A Coinbase afirmou que este incidente expôs as suas lacunas nas capacidades de comutação automática entre zonas de disponibilidade e na recuperação de desastres para middleware gerido. A empresa irá atualizar a sua arquitetura de cópia de segurança a quente entre regiões, reforçar os exercícios regulares de falha e migrar o sistema Kafka de uma implementação de duas zonas de disponibilidade para três, trabalhando simultaneamente com a AWS para promover correções e melhorias na causa raiz.