No Engineering Meetup #13, uma plateia lotada se reuniu para conhecer um dos sistemas mais cr\u00edticos na prote\u00e7\u00e3o do Nubank e de seus clientes: a Defense Platform.<\/p>\n\n\n\n
A sess\u00e3o foi conduzida por tr\u00eas especialistas profundamente envolvidos na constru\u00e7\u00e3o e sustenta\u00e7\u00e3o dessa tecnologia: Alessandro Bottmann, Staff Software Engineer com mais de 30 anos de experi\u00eancia em tecnologia, conhecido por liderar times de engenharia e entregar solu\u00e7\u00f5es de alto impacto; Jairo J\u00fanior, Senior Software Engineer apaixonado por arquitetura e sistemas escal\u00e1veis; e Rafael Rodrigues, Solutions Architect na AWS com mais de 15 anos de experi\u00eancia em computa\u00e7\u00e3o em nuvem.<\/p>\n\n\n\n
Juntos, eles apresentaram a arquitetura, a evolu\u00e7\u00e3o e os pr\u00f3ximos passos do sistema que sustenta a preven\u00e7\u00e3o a fraudes em todos os produtos e regi\u00f5es do Nubank.<\/p>\n\n\n\n
Nos primeiros anos, a detec\u00e7\u00e3o de fraudes no Nubank era descentralizada. Cada time de produto precisava se integrar a sistemas e servi\u00e7os distintos para identificar e reagir a atividades suspeitas. Funcionava, mas n\u00e3o escalava. Havia inefici\u00eancias, inconsist\u00eancias e atrasos longos para colocar uma nova defesa em produ\u00e7\u00e3o.<\/p>\n\n\n\n
Foi a\u00ed que surgiu a ideia da Defense Platform. Em vez de continuar colando solu\u00e7\u00f5es fragmentadas, o time imaginou um sistema unificado, capaz de lidar com milh\u00f5es de eventos por dia, f\u00e1cil de integrar com novos produtos e operando de forma confi\u00e1vel em m\u00faltiplas regi\u00f5es. Ao longo dos \u00faltimos cinco anos, essa vis\u00e3o se tornou realidade.<\/p>\n\n\n\n
Hoje, a plataforma processa centenas de milh\u00f5es de eventos diariamente com mais de 99,98% de disponibilidade. Est\u00e1 em opera\u00e7\u00e3o no Brasil, M\u00e9xico e Col\u00f4mbia \u2014 e pronta para ir ainda mais longe. Tudo isso \u00e9 poss\u00edvel gra\u00e7as a um design focado em confiabilidade, escalabilidade, execu\u00e7\u00e3o de baixa lat\u00eancia e efici\u00eancia de custo: um sistema feito para evoluir a longo prazo.<\/p>\n\n\n\n
Imagine que uma transa\u00e7\u00e3o via PIX \u00e9 realizada. A Defense Platform recebe o evento com todo o seu contexto: origem, destino, valor e mais. A partir da\u00ed, entra em a\u00e7\u00e3o um componente chamado Flow Orchestrator. Ele sabe exatamente quais processos esse tipo de evento deve seguir: no caso do PIX, mais de 40 processos diferentes podem ser executados em paralelo, incluindo regras de neg\u00f3cio e modelos de machine learning.<\/p>\n\n\n\n
Esses componentes consultam dados a partir do que o Nubank chama de features, um sistema flex\u00edvel que acessa bases internas, provedores externos e outros servi\u00e7os. Depois que as regras e modelos avaliam o risco, o orquestrador toma uma decis\u00e3o: a transa\u00e7\u00e3o \u00e9 segura ou deve acionar uma a\u00e7\u00e3o?<\/p>\n\n\n\n
Essas a\u00e7\u00f5es podem ser em tempo real, como bloquear a transa\u00e7\u00e3o ou exibir um aviso no app, ou ass\u00edncronas, como abrir um caso interno para investiga\u00e7\u00e3o. Em todos os casos, o evento \u00e9 registrado e processado pelo sistema distribu\u00eddo de ETL do Nubank \u2014 que agrega mais de 100 terabytes de logs por dia \u2014 para an\u00e1lise cont\u00ednua e melhorias futuras.<\/p>\n\n\n\n
Os n\u00fameros da plataforma s\u00e3o expressivos. Ela processa cerca de 450 milh\u00f5es de eventos por dia, gerando aproximadamente 5 milh\u00f5es de requisi\u00e7\u00f5es internas por minuto. Isso porque um \u00fanico evento, como uma transa\u00e7\u00e3o PIX, pode acionar dezenas de processos subsequentes.<\/p>\n\n\n\n
Para suportar essa carga, o Nubank conta com uma arquitetura altamente distribu\u00edda, com 20 shards s\u00f3 no Brasil \u2014 r\u00e9plicas completas do sistema que ajudam a distribuir o tr\u00e1fego e manter a baixa lat\u00eancia para milh\u00f5es de usu\u00e1rios.<\/p>\n\n\n\n
Essa arquitetura \u00e9 sustentada por uma stack tecnol\u00f3gica baseada em Clojure, Datomic (sobre DynamoDB) e Kafka. Os modelos de machine learning s\u00e3o desenvolvidos em Python, e a observabilidade est\u00e1 presente em todas as camadas por meio de logs, traces e m\u00e9tricas em tempo real.<\/p>\n\n\n\n
No centro da plataforma est\u00e1 uma estrutura dual: detec\u00e7\u00e3o e a\u00e7\u00e3o. A detec\u00e7\u00e3o pode acontecer via regras escritas manualmente ou por modelos de machine learning. Como os modelos tendem a ser mais lentos, a plataforma adota uma estrat\u00e9gia inteligente: se uma regra j\u00e1 consegue indicar com seguran\u00e7a que a transa\u00e7\u00e3o \u00e9 de alto risco, o modelo nem \u00e9 executado \u2014 economizando tempo e recursos.<\/p>\n\n\n\n
Todas as defesas passam por uma fase de shadow testing antes de serem liberadas. Nesta fase, novas regras e modelos rodam em paralelo ao ambiente de produ\u00e7\u00e3o, com dados reais, mas sem impactar os usu\u00e1rios. Isso permite validar a acur\u00e1cia e a performance em condi\u00e7\u00f5es reais, sem risco.<\/p>\n\n\n\n
A primeira vers\u00e3o do orquestrador era simples, mas ineficiente. Ele executava os componentes em camadas, o que obrigava at\u00e9 processos de baixa lat\u00eancia a esperar os demais. Recentemente, o time refez esse componente com base em um modelo DAG (Directed Acyclic Graph), usando uma biblioteca open source desenvolvida no Nubank chamada Nodely.<\/p>\n\n\n\n
No novo modelo, cada componente espera apenas pelos dados dos quais depende \u2014 e nada mais. Com isso, o tempo de processamento em fluxos complexos caiu de 550 para cerca de 350 milissegundos, uma melhoria significativa em um sistema que lida com milh\u00f5es de transa\u00e7\u00f5es todos os dias.<\/p>\n\n\n\n
Hoje, escrever regras ainda exige trabalho de engenharia. Mas o time est\u00e1 trabalhando para mudar isso. Ao mover mais partes da plataforma para um modelo declarativo, baseado em configura\u00e7\u00e3o, o objetivo \u00e9 permitir que analistas de fraude e outros perfis n\u00e3o t\u00e9cnicos contribuam diretamente. Isso significa mais agilidade, mais autonomia e melhor resposta a amea\u00e7as emergentes.<\/p>\n\n\n\n
A plataforma tamb\u00e9m est\u00e1 evoluindo para dar mais visibilidade aos times de produto sobre o custo operacional de cada defesa. Com isso, ser\u00e1 poss\u00edvel tomar decis\u00f5es mais inteligentes n\u00e3o s\u00f3 sobre risco, mas sobre efici\u00eancia tamb\u00e9m.<\/p>\n\n\n\n
Depois do mergulho na plataforma do Nubank, Rafael Rodrigues, da AWS, trouxe uma vis\u00e3o pr\u00e1tica de como institui\u00e7\u00f5es financeiras est\u00e3o usando ferramentas em nuvem para combater fraudes. Ele mostrou como o Amazon Rekognition pode realizar verifica\u00e7\u00e3o de documentos e reconhecimento facial, incluindo detec\u00e7\u00e3o de vivacidade (liveness detection).<\/p>\n\n\n\n
Tamb\u00e9m demonstrou o Textract, que extrai dados de documentos de identidade, e o SageMaker, usado para treinar modelos de detec\u00e7\u00e3o de fraudes \u2014 seja com aprendizado supervisionado tradicional ou t\u00e9cnicas mais avan\u00e7adas, como detec\u00e7\u00e3o de anomalias e modelagem com grafos.<\/p>\n\n\n\n
Um destaque foi o AWS CleanRooms, que permite a colabora\u00e7\u00e3o segura entre empresas em conjuntos de dados compartilhados, sem expor informa\u00e7\u00f5es sens\u00edveis \u2014 abrindo caminho para esfor\u00e7os conjuntos de combate \u00e0 fraude entre institui\u00e7\u00f5es.<\/p>\n\n\n\n
A modelagem por grafos foi um dos pontos altos. Diferente da detec\u00e7\u00e3o tradicional, que analisa cada transa\u00e7\u00e3o isoladamente, os modelos baseados em grafos revelam conex\u00f5es entre usu\u00e1rios, dispositivos, IPs e muito mais.<\/p>\n\n\n\n
Rafael mostrou como mapear essas conex\u00f5es permite identificar rapidamente quadrilhas de fraude, reconhecer identidades roubadas reutilizadas em v\u00e1rias contas e detectar comportamentos suspeitos que seriam dif\u00edceis de enxergar de outra forma. Com o Amazon Neptune como base de dados de grafos e o SageMaker para treinamento, o potencial para defesas mais poderosas e contextuais \u00e9 evidente.<\/p>\n\n\n\n
A fraude est\u00e1 sempre evoluindo e a nossa plataforma tamb\u00e9m. Com uma arquitetura que combina desempenho, flexibilidade e observabilidade, a Defense Platform est\u00e1 em constante aprimoramento. Seja adotando novos modelos, repensando a orquestra\u00e7\u00e3o ou ampliando quem pode construir defesas, a miss\u00e3o continua a mesma: proteger nossos clientes, em escala.<\/p>\n\n\n\n
E ao unir a expertise interna com colabora\u00e7\u00f5es externas (como as ferramentas e servi\u00e7os da AWS) estamos construindo um ecossistema de seguran\u00e7a que se fortalece a cada nova transa\u00e7\u00e3o.<\/p>\n\n\n\n