Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

Un estudio levantó un clúster en 14 horas tras la caída de Yandex Cloud antes de migrar a 4 millones de jugadores

Un día antes de trasladar a 4 millones de jugadores, un ataque contra Yandex Cloud dejó fuera de servicio la zona con la parte rusa de la infraestructura de un estudio de videojuegos. Con la ayuda de Claude Code, el equipo describió en código la infraestructura para otra nube en cuestión de horas y levantó el clúster de Kubernetes 14 horas antes del inicio. Una semana antes, el mismo agente había encontrado una tabla de 599 filas que la base de datos leía 310 millones de veces. La conclusión: conviene preparar la nube de respaldo con antelación, en lugar de dejarla para más adelante.

Procesado por IA desde Habr AI; editado por Hamidun News
Un estudio levantó un clúster en 14 horas tras la caída de Yandex Cloud antes de migrar a 4 millones de jugadores
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Juego4,2 millones de cuentas, unos 80 000 jugadores activos al día
Dato clave #2Claude Code detectó un escaneo de una tabla de 599 filas ejecutado 310 millones de veces
Dato clave #3Los buckets y el CDN se quedaron en Yandex y se trasladaron dos días después

Imagine que lleva un año preparando el traslado de un juego móvil a una nueva versión y, la noche antes del lanzamiento, desaparece toda la parte rusa de su infraestructura. Eso es lo que le ocurrió a un estudio de videojuegos. Un ataque contra Yandex Cloud dejó inaccesible la zona donde estaban el clúster de Kubernetes, los buckets y el CDN. Había que migrar unos 4 millones de jugadores, es decir, 4,2 millones de cuentas, de las que cada día entran alrededor de 80 000 (esto es el DAU, el número de usuarios activos diarios). El líder técnico de infraestructura explica cómo se preparó el equipo, dónde ayudó Claude Code y en qué se equivocaron ellos mismos.

Qué se trasladaba y por qué

La versión anterior del juego era un monolito en PHP con numerosas tareas cron y un cliente en Unity. Los datos estaban en MySQL, Redis y almacenamiento de objetos, y todo funcionaba en servidores de Hetzner. Había muchos motivos para cambiar de stack. Unity iba a cobrar por cada instalación, la arquitectura y el diseño estaban obsoletos, y un nuevo servidor físico tardaba horas o días en estar disponible.

La nueva versión se construye sobre otro stack: un cliente en Flutter, varias decenas de microservicios en Go y, además, Postgres, Valkey, Redpanda, Cassandra y OpenSearch. La mayor parte se desplegó en DigitalOcean y la parte rusa se mantuvo en Yandex Cloud. En el desarrollo del juego trabajaban unas 20 personas, y en la migración en sí, seis.

Tres enfoques para la preparación

El primer enfoque fueron las pruebas de carga con Grafana k6. No fue posible comparar la nueva versión con la antigua. Una petición del cliente antiguo y otra del nuevo no son comparables: el nuevo cliente hace más llamadas al backend, y cada una genera una serie de llamadas internas entre microservicios. Aun así, surgió una lección: los límites rígidos de CPU en Kubernetes estrangulan el contenedor aunque el procesador del servidor esté inactivo. El equipo eliminó esos límites.

El segundo enfoque fue cambiar los cimientos sobre la marcha. Tres meses antes de la migración, ScyllaDB dejó de ofrecer su versión gratuita y el equipo pasó a Cassandra. Ingress-nginx se declaró proyecto terminado, así que eligieron Gateway API sobre Envoy. Redis, de un solo hilo, se sustituyó por Valkey. En esa misma etapa trasladaron a los primeros 10 000 jugadores y decidieron dejar los recursos con margen.

El tercer enfoque fue Claude Code. Conectaron el agente mediante MCP a los repositorios, las métricas, los logs y los clústeres, y le dieron la instrucción principal: la siguiente oleada serían 200 000 jugadores. Después de esa oleada, debía buscar los cuellos de botella para los futuros 4 millones. Esto es lo que encontró:

  • una consulta a una tabla de 599 filas escaneaba la tabla completa cada vez y se ejecutó 310 millones de veces, lo que sobrecargaba el procesador de Postgres;
  • las métricas en forma de histogramas con muchos buckets amenazaban con saturar Prometheus, cuya memoria ya se acercaba al límite de 8 GB;
  • los brokers de Redpanda estaban ocupados entre un 60 y un 65 %, frente a un 25–28 % en el resto, y en Cassandra la proporción de datos por nodo diferían al doble;
  • la regla de «no más de un pod de cada servicio por servidor» habría impedido que los servicios crecieran hasta 20–30 copias: los nuevos pods se quedarían esperando.

El agente también comprobaba las hipótesis de las personas. Los «8 000 errores» resultaron ser dos id atascados en una repetición infinita. Pero las conclusiones sobre balanceadores y certificados el equipo las verificó a mano, porque el agente formula con la misma seguridad tanto las conclusiones correctas como las incorrectas.

Avería en un día y día de la migración

Una semana antes, el equipo había hablado de una deuda antigua: toda la parte rusa estaba en una sola zona de disponibilidad de Yandex Cloud. Decidieron ocuparse de ello más adelante. Una semana después, la zona dejó de funcionar, y no se podían crear recursos en las zonas vecinas. El equipo inició un traslado de emergencia a una nube menos popular. Claude Code ayudó a describir la infraestructura en código en cuestión de horas, y el clúster se levantó 14 horas antes del inicio. Los buckets y el CDN se quedaron en Yandex y se trasladaron dos días después. La mayoría de los jugadores no notó la avería, porque la versión antigua seguía funcionando en dos centros de datos.

Justo antes de la migración apareció otro problema: parte de los jugadores con clientes antiguos accedía al dominio principal, y sus peticiones había que dirigirlas a la aplicación antigua. El CDN no permite configurar estas reglas, así que la enrutación en Envoy se montó a toda prisa junto con Claude. El autor reconoce que, en un momento dado, dejó de tener en la cabeza el esquema del tráfico.

Qué pasó después

Según el autor, la interrupción se mantuvo dentro de las dos horas previstas. Después, el tráfico en Envoy subió de 600–700 a 3 500 peticiones por segundo, y por la noche llegó a 5 100: el nuevo cliente llama a la API entre 6 y 7 veces más que el antiguo. La latencia de lectura en Cassandra pasó de 1 a 4–5 ms, y ayudó ampliar el clúster de 9 a 12 nodos. Prometheus, eso sí, se quedó sin memoria.

Al cabo de unos días se detectó una sobrecarga en CoreDNS: por la configuración ndots: 5, cada nombre primero se recorría por los dominios internos del clúster. Tras pasar a ndots: 2, las consultas DNS al día bajaron de 114 millones a 51 millones, y los errores en los backends pasaron de cerca de 200 a 16.

El resultado: al día siguiente el DAU fue de 86 000, frente a 73 000 con la versión antigua, y la infraestructura se encareció un 20 %. Parte del crecimiento se debe al marketing y a las nuevas funciones, y el autor califica los ingresos de las tres semanas como comparables a los anteriores, así que todavía es pronto para sacar conclusiones definitivas.

La lección práctica para los equipos: un agente de IA encuentra bien los problemas en los datos a los que tiene acceso, pero no sustituye a una nube de respaldo ni ve los riesgos que las personas decidieron aplazar.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué se trasladaba y por qué?

La versión anterior del juego era un monolito en PHP con numerosas tareas cron y un cliente en Unity. Los datos estaban en MySQL, Redis y almacenamiento de objetos, y todo funcionaba en servidores de Hetzner. Había muchos motivos para cambiar de stack. Unity iba a cobrar por cada instalación, la arquitectura y el diseño estaban obsoletos, y un nuevo servidor físico tardaba horas o días en estar disponible.

¿Qué se sabe sobre Tres enfoques para la preparación?

El primer enfoque fueron las pruebas de carga con Grafana k6. No fue posible comparar la nueva versión con la antigua. Una petición del cliente antiguo y otra del nuevo no son comparables: el nuevo cliente hace más llamadas al backend, y cada una genera una serie de llamadas internas entre microservicios. Aun así, surgió una lección: los límites rígidos de CPU en Kubernetes estrangulan el contenedor aunque el procesador del servidor esté inactivo. El equipo eliminó esos límites.

¿Qué se sabe sobre Avería en un día y día de la migración?

Una semana antes, el equipo había hablado de una deuda antigua: toda la parte rusa estaba en una sola zona de disponibilidad de Yandex Cloud. Decidieron ocuparse de ello más adelante. Una semana después, la zona dejó de funcionar, y no se podían crear recursos en las zonas vecinas. El equipo inició un traslado de emergencia a una nube menos popular. Claude Code ayudó a describir la infraestructura en código en cuestión de horas, y el clúster se levantó 14 horas antes del inicio.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…