Rinha de Backend 2026 — Lucas Rego (lucasraziel)

Submissão para a Rinha de Backend 2026: API HTTP que detecta fraude em transações por busca vetorial KNN k=5 sobre 3 milhões de vetores rotulados, dentro de um orçamento de 1 CPU + 350 MB RAM.

Stack

• Rust (stable), hyper 1.x sobre tokio current-thread.
• Nginx alpine como load balancer round-robin.
• Distroless cc-debian12 como imagem final.
• Build alvo x86-64-v3 (Haswell+: AVX2 + BMI2 + F16C) — máquina avaliadora é um Mac Mini Late 2014.

Layout

crates/
  api/      Servidor HTTP (rotas /ready e /fraud-score)
  prep/     Pipeline offline: references.json.gz → references.bin
docker/     Dockerfile + nginx.conf
resources/  Constantes do desafio (normalization, mcc_risk) — references.json.gz NÃO entra no git
data/       references.bin gerado pelo prep (NÃO entra no git)
bench/      Cópia do k6 oficial + script local
scripts/    Setup (fetch-resources, prepare-dataset, submit)

Como rodar local

# 1. Baixar o dataset original
./scripts/fetch-resources.sh

# 2. (F2+) Gerar references.bin
cargo run --release -p prep

# 3. Subir o stack (nginx + 2 réplicas da api) com limites cgroup
docker compose up --build -d

# 4. Sanity check
curl -fsS http://localhost:9999/ready
curl -fsS -X POST http://localhost:9999/fraud-score \
    -H 'content-type: application/json' \
    --data @resources/example-payloads.json | head

# 5. Rodar o teste oficial (precisa do k6 instalado)
./bench/run-local.sh

Distribuição de recursos (1 CPU + 350 MB)

Container	CPU	Memória
nginx	0.10	25 MB
api1	0.45	160 MB
api2	0.45	160 MB
total	1.00	345 MB

Roadmap de fases

1. F1 — esqueleto: handlers stub passando /ready e /fraud-score com resposta fixa. (atual)
2. F2 — pré-processamento + brute-force escalar exato com 0% de erro de detecção.
3. F3 — SIMD AVX2 + dataset em f16 padded a 16 dims + zero-alloc no hot path.
4. F4 — IVF (nlist=1024, nprobe=16-32) + refine exato top-50.
5. F5 — branch submission + tag imutável no Docker Hub + PR no repo oficial.

Score-alvo

Item	Realista	Stretch
p99	3–5 ms	< 2 ms
Detection error	< 1 %	< 0.5 %
Score total	+4500…+5500	+5800

Anti-trapaça

• NUNCA usar test/test-data.json como fonte de referência. Para validar recall do IVF, usar holdout de 1 % do próprio references.json.gz.
• Load balancer puro round-robin, sem inspeção/transformação de payload.
• Imagens públicas, MIT license, repo aberto.

Licença

MIT — ver LICENSE.