Redundancia y failover

  • Lección 24 de 40
  • 12 min
  • Intermedio
  • 12 pasos

Todo componente acaba fallando: discos, servidores, edificios enteros y, sobre todo, tus propios despliegues. La pregunta no es si pasará, sino qué deja de funcionar cuando pase.

Disponibilidad
99,99%
Caída al año
53 min
Puntos únicos de falla
0
Sobrevive a perder
una zona
Un centro de datosZona AZona A · caídaRegión EuropaZona BRegión América1 M usuariosBalanceadorBalanceadorBalanceadorBalanceadorBalanceadorBalanceadorBalanceadorDNS globalBalanceadorAppAppAppApp zona AApp zona AApp v2.4App v2.3App EuropaApp zona AAppAppAppApp zona BApp zona BApp v2.4App v2.4AppAméricaApp zona Blíder · zona Aseguidora · zona BLos nueves99%3,7 días al año99,9%8,8 horas99,99%53 minutos99,999%5 minutosen cadena: 0,999 × 0,999 × 0,999 ≈ 99,7%punto único de fallapunto único de fallapunto único de fallapar activo-pasivoreplicaciónun centro de datos · sin energíacaídocaídocaídocaídocaídoregional · abarca las zonasreplicación entre zonascaídocaídopromovidaregional · abarca las zonascaídocaídopromovidaEste failoverdetectar: 3 chequeos fallidos10 spromover la seguidora20 sreconectar las apps30 sRTO≈ 1 minutoRPO≈ 2 s de escrituras perdidastiempos de ejemploapagado por la prueba de caossigue atendiendov2.4 · se caev2.4 · se caev2.3 · 99% del tráficocanario · 1%1% → canarioregión sana más cercanaentre regiones · ~100 ms de retrasoregional · abarca las zonasreplicación entre zonas
  • petición
  • respuesta
  • replicación
  • petición fallida

Paso 1 de 12

Concepto

¿Cuánto aguanta una pila de piezas únicas?

Empezamos con lo mínimo: un balanceador, un servidor de aplicación y una base de datos. Supongamos (valor de ejemplo) que cada uno funciona el 99,9% del tiempo.

Cada petición necesita las tres piezas a la vez, así que sus disponibilidades se multiplican: 0,999 × 0,999 × 0,999 ≈ 0,997. Eso es un 99,7%, unas 26 horas sin servicio al año.

Paso 2 de 12

Problema

Cada pieza puede tumbarlo todo

Un punto único de falla (SPOF, por sus siglas en inglés) es cualquier pieza que, si se cae sola, deja al sistema sin servicio. En esta pila lo son las tres.

Basta un disco dañado, un proceso que se cuelga o un cambio mal aplicado en cualquiera de ellas para que un millón de personas vea una página de error.

Qué cambió

  • Tres puntos únicos de falla señalados

Paso 3 de 12

Solución

Redundancia: un repuesto para cada pieza

Duplica cada pieza. El balanceador pasa a ser un par activo-pasivo: si el activo cae, el otro toma su dirección. Dos servidores de aplicación se reparten el tráfico, y la base de datos líder replica cada cambio en una seguidora lista para relevarla.

Ahora hace falta que fallen las dos copias a la vez: 0,1% × 0,1% = 0,0001%. Perder una sola máquina deja de ser noticia.

Qué cambió

  • Balanceador en par activo-pasivo
  • Segundo servidor de aplicación
  • Base de datos seguidora
  • Puntos únicos de falla: de 3 a 0

Paso 4 de 12

Problema

Copias que caen juntas

Todas esas copias viven en el mismo centro de datos. Un corte de energía (o una inundación, un cable de fibra cortado, una falla de refrigeración) apaga el edificio entero y, con él, cada copia «redundante».

Cuando una sola causa tumba muchas piezas a la vez hablamos de fallas correlacionadas. La redundancia solo sirve si las copias fallan de forma independiente.

Qué cambió

  • Todo en un solo centro de datos
  • El centro de datos se queda sin energía
  • Todas las copias caen a la vez

Paso 5 de 12

Solución

Repartir en zonas de disponibilidad

Los proveedores de nube dividen cada región en zonas de disponibilidad: centros de datos separados por kilómetros, con energía y red propias, unidos por enlaces de baja latencia.

Coloca un servidor de aplicación y una copia de la base de datos en cada zona. Un desastre que se lleve una zona entera ahora solo se lleva la mitad.

Qué cambió

  • Un único centro de datos
  • Zona A y zona B
  • Una copia de cada capa por zona

Paso 6 de 12

Solución

La zona A se apaga: failover

La zona A pierde la energía. Los chequeos de salud dejan de responder, el balanceador deja de enviarle tráfico y la seguidora de la zona B es promovida a líder.

Quien estaba a mitad de una petición puede ver un error y reintentar; en cuestión de un minuto todo funciona desde la zona B.

Qué cambió

  • Zona A fuera de servicio
  • Todo el tráfico va a la zona B
  • La seguidora pasa a ser líder

Paso 7 de 12

Técnica

¿Cuánto tarda y cuánto se pierde?

Dos números resumen un failover. RTO (objetivo de tiempo de recuperación): cuánto tarda el servicio en volver. RPO (objetivo de punto de recuperación): cuántos datos recientes puedes permitirte perder.

Con replicación asíncrona, la seguidora puede ir unos segundos por detrás y esas escrituras se pierden. La replicación síncrona deja el RPO en cero, a cambio de escrituras más lentas.

Paso 8 de 12

Concepto

Un failover que nunca se prueba no funciona

Un camino de relevo que nunca se usa se degrada en silencio: la configuración se desvía, el repuesto se queda corto, un script tiene un error. Lo descubres en plena caída real.

Por eso hay equipos que rompen cosas a propósito, en producción y en horario laboral: es la ingeniería del caos. Aquí una prueba apaga un servidor de aplicación y el equipo observa cómo responde el sistema.

Qué cambió

  • La zona A vuelve
  • Un servidor apagado a propósito
  • El tráfico sigue por el otro

Paso 9 de 12

Problema

Caso: el error que está en todas partes

Sale una versión nueva con un error y se instala en todos los servidores de las dos zonas al mismo tiempo. Todas las copias se caen con la misma petición: la redundancia no ayuda si todas ejecutan el mismo código roto.

Es la causa más habitual de las caídas reales: no el hardware, sino los cambios de código, de configuración o de infraestructura.

Qué cambió

  • v2.4 en todos los servidores a la vez
  • Se caen los dos servidores de aplicación

Paso 10 de 12

Solución

Despliegues canario

Despliega por etapas. Primero un canario: un servidor recibe la v2.4 y el balanceador le envía solo el 1% del tráfico. Durante un rato comparas su tasa de errores y su latencia con las del resto.

Si empeoran, vuelves atrás y solo un 1% de los usuarios lo notó, y por poco tiempo. Si todo va bien, subes al 10%, al 50% y al 100%. Muchos equipos, además, despliegan una zona a la vez.

Qué cambió

  • v2.4 en un solo servidor
  • El 1% del tráfico
  • Vuelta atrás automática si suben los errores

Paso 11 de 12

Técnica

Más allá de las zonas: varias regiones

Las zonas te protegen de que caiga un edificio. Una región completa también puede caer (por una falla de red regional o del plano de control de la nube), y además queda lejos de los usuarios de otros continentes.

Con dos regiones y un DNS global (o anycast) delante, cada usuario va a la región sana más cercana. Lo difícil son los datos: cruzar un océano añade del orden de 100 ms de retraso a la replicación.

Qué cambió

  • Segunda región
  • Un DNS global elige la región sana más cercana
  • Replicación entre regiones: ~100 ms de retraso

Paso 12 de 12

Resumen

Resumen

Las piezas en cadena multiplican su disponibilidad.

Elimina los puntos únicos de falla con copias redundantes.

Las copias deben fallar por separado: repártelas en zonas.

Fija el RTO y el RPO, y ensaya el failover para que funcione cuando haga falta.

La mayoría de las caídas vienen de cambios: despliega con canarios.

Aprenderás

  • Medir la disponibilidad en nueves
  • Detectar y eliminar puntos únicos de falla
  • Repartir copias en zonas que fallan por separado
  • Fijar RTO y RPO y ensayar el failover
  • Contener despliegues malos con canarios y regiones