Como a replicação funciona e quais são suas estratégias?

Question

Accepted Answer

**Replicação** mantém cópias de dados em múltiplos servidores — para **disponibilidade** (sobreviver a falhas), **escalabilidade de leitura** (servir leituras a partir de cópias) e **distribuição geográfica**. Diferentes estratégias (primária-réplica, multi-primária, síncrona vs assíncrona) envolvem compensações.

## Por que replicar

```text
✓ AVAILABILITY/redundancy → if one copy fails, others have the data (no data loss, failover)
✓ READ SCALING → serve reads from replicas (offload the primary) → handle more reads
✓ GEO-DISTRIBUTION → copies near users (lower latency); disaster recovery
→ replication is fundamental to reliable, scalable data systems.
```

## Estratégias de replicação

```text
PRIMARY-REPLICA (master-slave) → one PRIMARY handles writes, replicates to READ replicas:
  ✓ simple; great for read-heavy workloads; the common model
  ✗ the primary is a write bottleneck / single point for writes (failover needed)
MULTI-PRIMARY (multi-master) → multiple nodes accept writes:
  ✓ write availability/scaling, geo-writes  ✗ CONFLICT resolution (concurrent writes to
    the same data) → complex
```

## Síncrona vs assíncrona

```text
SYNCHRONOUS → wait for replicas to confirm before acknowledging the write:
  ✓ replicas are consistent (no data loss on failover)  ✗ slower (waits); availability impact
ASYNCHRONOUS → acknowledge the write immediately; replicate in the background:
  ✓ fast writes, high availability  ✗ REPLICATION LAG → replicas briefly behind (stale reads;
    possible data loss if the primary fails before replicating) — eventual consistency
→ trade-off: durability/consistency vs performance/availability
```

## Por que isso importa

Entender replicação é valioso porque é uma **técnica fundamental para disponibilidade e escalabilidade de leitura** em sistemas de dados, então é conhecimento importante de design de sistemas.

Replicação — manter cópias de dados em múltiplos servidores — serve propósitos cruciais: **disponibilidade** (sobreviver a falhas através de redundância e failover), **escalabilidade de leitura** (servir leituras a partir de réplicas para descarregar a primária, valioso para workloads de leitura pesada) e **distribuição geográfica** (cópias próximas aos usuários para latência menor, além de recuperação de desastre).

Entender esses propósitos esclarece por que replicação é fundamental para sistemas de dados confiáveis e escaláveis.

Entender as **estratégias** — **primária-réplica** (uma primária para escritas replicando para réplicas de leitura — o modelo comum e simples ótimo para workloads de leitura pesada, embora a primária seja um gargalo de escrita) versus **multi-primária** (múltiplos nós aceitando escritas, permitindo escalabilidade de escrita e escritas geográficas mas exigindo resolução de conflitos complexa) — é necessário para escolher a abordagem correta.

Entender a compensação de **síncrona vs assíncrona** é particularmente importante: replicação **síncrona** (aguardando confirmação das réplicas antes de reconhecer) mantém réplicas consistentes e evita perda de dados mas é mais lenta, enquanto replicação **assíncrona** (reconhecendo imediatamente, replicando em background) é rápida e altamente disponível mas tem **lag de replicação** (réplicas brevemente atrasadas, causando leituras obsoletas e possível perda de dados se a primária falhar antes de replicar — eventual consistency).

Essa compensação de durabilidade/consistência vs performance/disponibilidade é uma decisão de design chave.

Como replicação é fundamental para disponibilidade e escalabilidade de leitura em sistemas de dados e as estratégias (primária-réplica vs multi-primária) e compensações síncrona/assíncrona afetam significativamente consistência, performance e disponibilidade, e como entender elas é importante para projetar sistemas de dados, entender replicação é conhecimento valioso e praticamente relevante de design de sistemas — uma técnica fundamental para disponibilidade e escalabilidade de leitura, com importantes compensações de estratégia e síncrona/assíncrona, e central para projetar sistemas de dados confiáveis e escaláveis que sobrevivem a falhas e lidam com carga de leitura.