Расскажи о последнем месте работы

Последнее место работы

Моё последнее место работы — крупная финтех-компания PayCore (условное имя), специализирующаяся на платежных системах и обработке транзакций для e-commerce платформ. Я работал там 4 года в роли Senior Java Developer, а в конце стал Lead Developer.

О компании

PayCore — это B2B платежный гейтвей, обрабатывающий миллиарды рублей ежедневно. Клиенты — крупные онлайн-магазины, маркетплейсы, системы подписок. Требования к надёжности и производительности очень высокие.

Stack:

• Java 11+ (позже Java 17)
• Spring Boot 2.x (позже 3.x)
• PostgreSQL, Redis, Kafka
• Docker, Kubernetes
• AWS (EC2, S3, SQS)
• Gradle, Jenkins, GitLab CI/CD

Мои основные ответственности

1. Разработка ядра платёжной системы

Основной проект: микросервис обработки платежей

Текущая архитектура при приходе:
- Monolith на Spring Boot
- 15K строк в main service class
- Медленный code review (2+ недели)
- Трудно добавлять новые платёжные методы

Что я сделал:

1. Рефакторинг в микросервисы

   • Разделил на 6 микросервисов: Payment Processing, Acquirer Integration, Settlement, Reconciliation, Notification Service, Admin API
   • Внедрил Event-Driven архитектуру через Kafka
   • Сократил среднее время обработки платежа с 800ms до 150ms

2. Реализовал Strategy паттерн для платёжных методов

   interface PaymentMethod {
       PaymentResult process(Payment payment);
       PaymentResult refund(Payment payment);
       PaymentResult capture(Payment payment);
   }
   
   class CreditCardPaymentMethod implements PaymentMethod { ... }
   class PayPalPaymentMethod implements PaymentMethod { ... }
   class YandexKassaPaymentMethod implements PaymentMethod { ... }
   

   Теперь добавление нового способа оплаты — это 1-2 дня работы вместо 2 недель

3. Внедрил CQRS и Event Sourcing

   • Все события платежей хранятся в EventStore
   • Отделил read модель от write модели
   • Упростил аудит и отладку проблем

2. Оптимизация performance

Проблема: во время sales peaks система падала, TPS (transactions per second) падал с 1000 до 200.

Решение:

1. Профилирование с JFR (Java Flight Recorder)

   • Нашёл N+1 queries в платёжном сервисе
   • Обнаружил неоптимальную обработку больших объёмов в Kafka
   • Выявил утечку памяти в кэше (забыли TTL)

2. Оптимизация БД

   • Добавил правильные индексы
   • Реализовал Connection Pooling (HikariCP)
   • Использовал batch inserts для reconciliation
   • Результат: query time сократился на 70%

3. Внедрил Redis для кэширования

   • Кэшировал данные acquirers, комиссии, курсы валют
   • Использовал Redis Pub/Sub для invalidation
   • Hit rate достиг 92% для критичных данных

4. Оптимизация Kafka consumers

   • Настроил batch processing (вместо обработки по одному сообщению)
   • Внедрил backpressure handling
   • Увеличил throughput в 5 раз

Результат: TPS в peak hours увеличился до 5000, latency p99 снизился с 2500ms до 200ms.

3. Обработка отказоустойчивости

В платёжной системе отказоустойчивость критична:

1. Реализовал Circuit Breaker паттерн

   @CircuitBreaker(name = "acquirerService", 
                   failureThreshold = 5,
                   delay = 1000)
   public PaymentResponse callAcquirer(Payment payment) {
       // Автоматически откроется при 5 ошибках подряд
       return acquirerClient.process(payment);
   }
   

2. Retry logic с exponential backoff

   • Критичные операции пересылаются автоматически
   • Временные сбои acquirers обрабатываются корректно

3. Graceful degradation

   • Если Redis недоступен, падаем на БД (медленнее, но работает)
   • Если один acquirer slow, переходим на другого

4. Distributed transactions с Saga паттерном

   • Платёж состоит из 5 шагов (validation, authorization, capture, settlement, notification)
   • При ошибке на любом шаге — компенсирующие транзакции
   • Гарантия консистентности без 2-phase commit

4. Безопасность

В финтехе это очень серьёзно:

1. PCI DSS комплайанс

   • Никогда не храним полные номера карт (только токены)
   • Шифруем sensitive данные (PAN, CVV)
   • Логируем все операции для аудита

2. Внедрил OAuth 2.0 + JWT

   • Клиенты аутентифицируются через API keys + signatures
   • JWT токены для внутренних сервисов

3. Rate limiting и DDoS protection

   @RateLimiter("payment-api", limits = "1000 calls per minute")
   @PostMapping("/payments")
   public ResponseEntity<PaymentResponse> createPayment(@RequestBody PaymentRequest req) {
       // Защита от перегруза
   }
   

5. Сбор метрик и логирование

1. Metrics с Micrometer + Prometheus

   • Отслеживаем TPS, latency (p50, p95, p99), error rate
   • Custom метрики: платежи по методам, по странам, конверсии

2. ELK Stack для логов

   • Структурированное логирование (JSON)
   • Трейсинг запросов через correlation IDs
   • Быстрый поиск по логам

3. Distributed tracing с Jaeger

   • Видим пути запроса через все микросервисы
   • Находим узкие места в цепи

Лидерская работа (последний год)

В конце я стал Lead Developer команды из 6 человек:

1. Архитектурные решения

   • Выбор технологий (Spring Boot 3.0, Java 17, Kotlin для нового функционала)
   • Дизайн новых микросервисов
   • Code review сложных PR

2. Ментoring

   • Помогал junior разработчикам расти
   • Code reviews с подробными объяснениями
   • Проводил техдискуссии

3. Planning

   • Оценка сложности задач
   • Идентификация технических долгов
   • Планирование refactoring работ

Ключевые достижения

• 5x рост TPS в peak hours (1K → 5K transactions/sec)
• 70% reduction в latency (p99 с 2500ms → 200ms)
• 99.99% uptime (была 99.5%)
• Успешно обработал чёрную пятницу (3 млн платежей в день без падений)
• Сократил time-to-market для новых платёжных методов (2 недели → 2 дня)
• Построил и воспитал team из 3 юниоров, сейчас они работают как мидлы

Технологии, которые я использовал

Языки:

• Java (основной)
• Kotlin (новые microservices)
• Bash (deployment scripts)
• SQL (performance tuning)

Frameworks/Libraries:

• Spring Boot, Spring Cloud, Spring Security
• Apache Kafka
• Redis
• PostgreSQL (с оптимизацией)
• Docker & Kubernetes
• JUnit 5, Testcontainers, Mockito

Tools:

• Git, GitLab CI/CD
• Jenkins для deployment
• Prometheus + Grafana
• ELK Stack
• Jaeger
• JFR для профилирования

Почему я ухожу

1. Достиг потолка — система стабильна, оптимизирована, все processes in place
2. Хочу новых вызовов — интересуют более сложные архитектурные задачи
3. Стремлюсь к growth — хочу расширить знания в new technologies (Cloud Native, AI/ML integration)
4. Баланс — была очень интенсивная работа (на-call в выходные, быстрые отклики на production issues)

Что я вынес из этого опыта

1. Как создавать надёжные системы — когда ошибка стоит денег, нужно быть очень аккуратным
2. Importance of monitoring — what you can't measure, you can't improve
3. Team leadership — как помочь людям расти и достичь целей
4. Database optimization — indexes, query plans, transactions
5. Event-Driven design — когда хорошо использовать, как избежать pitfalls

Этот опыт делает меня более зрелым разработчиком, который может работать с высоконагруженными системами и обучать других.