AWS Builder Center
DijkFood: arquitetura de uma plataforma de delivery multi-cidade orientada a eventos

DijkFood: arquitetura de uma plataforma de delivery multi-cidade orientada a eventos

Como isolamos plano operacional por cidade e plano de controle global numa plataforma de delivery na AWS, com SNS/SQS, DynamoDB, RDS+PostGIS e um Data Lake em S3.

Construímos o DijkFood como um projeto acadêmico de computação em nuvem, mas tratamos o desafio como se fosse um sistema de produção real: uma plataforma de delivery que precisa operar em várias cidades ao mesmo tempo, sem que um pico de pedidos em uma cidade afete o serviço nas demais. O resultado foi uma arquitetura orientada a eventos na AWS, com isolamento por cidade e uma camada analítica alimentada em tempo real.

O problema que queríamos resolver

Delivery é um domínio naturalmente distribuído: cada cidade tem sua própria malha viária, sua própria base de restaurantes e entregadores, e picos de demanda que não têm relação direta com o que acontece em outra região. Se colocássemos tudo em uma única fila e um único banco, um problema de escala ou uma falha de schema em uma cidade poderia comprometer o sistema inteiro. Por isso, a decisão de design mais importante do projeto foi separar claramente o que é plano de controle global do que é plano operacional por cidade.

Visão geral da arquitetura

O fluxo começa no cliente, que chama  POST /pedidos  no API Gateway. A requisição passa por um ALB interno e chega ao serviço  pedidos-api , responsável por normalizar o geocode da cidade, gerar um  order_id  idempotente e publicar o evento  pedido.novo  no SNS. Esse é o único ponto de entrada síncrono do sistema: a API responde com um aceite assíncrono ( 202 ), e todo o processamento pesado acontece depois, de forma desacoplada.
A partir do SNS, uma filter policy garante que cada mensagem caia apenas na fila SQS da cidade correspondente. Isso já nos dá isolamento de tráfego sem precisar de lógica de roteamento customizada. O consumidor daquela cidade cria o pedido no DynamoDB, faz um claim idempotente e chama o serviço de  cadastro  daquela cidade específica, que é quem efetivamente valida cliente e restaurante e aloca um entregador — tudo dentro de uma transação no RDS PostgreSQL dedicado à cidade, usando  FOR UPDATE SKIP LOCKED  para evitar que dois pedidos concorrentes reservem o mesmo entregador.
Com o entregador alocado, o pedido segue para o serviço de rotas (que roda A* sobre o grafo viário daquela cidade) e o estado muda para  CONFIRMED . Dali em diante, webhooks de restaurante e de entregador vão avançando o pedido pela máquina de estados:  PREPARING → READY_FOR_PICKUP → PICKED_UP → IN_TRANSIT → DELIVERED . As posições do entregador chegam por um endpoint de tracking, passam por um Lambda e são publicadas no Kinesis Firehose, que atualiza a última posição conhecida no DynamoDB e, em paralelo, alimenta a camada de dados.

Isolamento por cidade como princípio de design

Cada geocode recebe seu próprio cluster ECS, com serviços de cadastro, rotas, consumo de pedidos e simulação operacional, além de um RDS PostgreSQL com PostGIS e filas SQS próprias (cada uma com sua DLQ). Já os componentes que não fazem sentido duplicar — API Gateway, ALB, SNS, DynamoDB de estado vivo, Kinesis e os buckets S3 — ficam compartilhados entre todas as cidades. Essa divisão foi uma escolha consciente: manter um plano de controle único reduz custo e complexidade operacional, enquanto o isolamento do plano operacional garante que uma queda de serviço, um backlog de fila ou uma mudança de schema em uma cidade não se propague para as outras.
No banco de cada cidade, a tabela de entregadores usa chave primária composta por cidade e id, é particionada por cidade e tem uma coluna geométrica indexada com GIST para acelerar buscas espaciais — combinada com uma grade simples de células ( CELL_LAT / CELL_LON ) que reduz candidatos antes da consulta espacial mais cara.

A camada analítica

Todo evento relevante — pedido criado, mudança de status, entregador selecionado, posição reportada, entrega concluída — segue para um Data Lake em S3 organizado em três camadas: dados brutos gravados pelo Firehose e particionados por cidade e data, dados tratados e deduplicados em Parquet via Glue, e dados agregados prontos para consumo pelo dashboard. Consultas Athena, criadas via Terraform, alimentam indicadores como volume de pedidos, tempo médio por estado, distribuição geográfica e histograma de entrega.

O que aprendemos

Separar aceite HTTP, processamento assíncrono e validação transacional em serviços diferentes deixou o sistema muito mais resiliente a picos desiguais entre cidades — pudemos simular carga alta em uma cidade e carga baixa em outra sem que uma afetasse a outra. Também validamos, com testes de concorrência, que o  FOR UPDATE SKIP LOCKED  realmente evita a alocação duplicada de entregadores sob carga simultânea. No fim, o DijkFood nos mostrou na prática como uma arquitetura orientada a eventos, combinada com isolamento físico por domínio de negócio (no nosso caso, a cidade), consegue equilibrar escalabilidade, contenção de falhas e custo — sem exigir uma reescrita completa do sistema toda vez que uma nova cidade entra em operação.
Any opinions in this article are those of the individual author and may not reflect the opinions of AWS.
Enjoyed reading this content? Let the author know!

Your likes, comments, shares, and saves help creators reach more builders.

Loading recommendations

Loading article