Unter Last

Eine Availability Zone verlieren

Drei Zonen heißen nicht, dass du eine kostenlos verlieren kannst. Sie heißen, dass jede überlebende Zone die Hälfte des Traffics tragen muss statt ein Drittel – und die Reserve dafür ist eine Zahl, die du entweder gekauft hast oder nicht.

Die Verteilung über Availability Zones ist die günstigste Resilienz, die die meisten Teams kaufen, und die am leichtesten missverstandene. Bei drei Zonen klingt es, als dürfe eine ausfallen. Tatsächlich bedeutet es: Wenn eine ausfällt, müssen die anderen beiden alles tragen.

Die Zahl, die entscheidet

Bei gleichmäßig auf drei Zonen verteiltem Traffic trägt jede etwa 33%. Fällt eine aus, tragen die überlebenden je 50%. Das ist eine Laststeigerung um 50% auf jeder Maschine, die noch läuft.

Die Frage ist also nicht, ob das Design Multi-Zone ist. Sondern ob jede Zone im Normalbetrieb unter etwa zwei Dritteln ihrer Kapazität läuft, mit Platz unter dieser Linie für Spitzen. Wenn deine Zonen an einem normalen Dienstag bei 80% liegen, bringt der Verlust einer Zone die anderen beiden auf 120% der Kapazität. Wenn nichts diesen Überschuss abwirft, degradiert der Ausfall einer Zone den Dienst nicht – er reißt die anderen beiden mit, und genau das liest sich im Incident-Report wie ein Totalausfall.

  • N+1 – genug freie Kapazität, um eine Einheit zu verlieren. Bei drei Zonen heißt das: jede läuft mit ~66% oder weniger.
  • N+2 – genug, um zwei Einheiten zu verlieren, sodass eine Zone ausfallen kann, während eine andere Einheit wegen eines Deploys oder eines Wartungsfensters draußen ist – und dann passt ein Zonenausfall am schlechtesten.
  • Autoscaling ist kein Ersatz – es reagiert meist erst nach Minuten, und der Lastsprung kommt sofort. Ohne Reserve, die diese Lücke überbrückt, verkürzt es den Ausfall, verhindert ihn aber nicht.

Die Teile, die nicht einfach umziehen

Zustandslose Dienste verteilen sich mehr oder weniger von selbst neu, sobald Health Checks die verlorene Zone aus dem Load Balancer nehmen. Beim Zustand (State) sitzen die interessanten Ausfälle.

  • Quorum-Systeme – Ein Drei-Knoten-Cluster mit einem Knoten pro Zone übersteht den Verlust einer Zone, aber nicht den von zwei. Fünf Knoten über drei Zonen vertragen zwei ausgefallene Knoten, nicht zwei ausgefallene Zonen; zwei Zonen zu überstehen braucht fünf Zonen und eine andere Rechnung.
  • Primäre Datenbanken – Lag der Primary in der verlorenen Zone, zählt die Failover-Zeit, nicht die Zonenzahl.
  • Latenz zwischen Zonen – Traffic, der bisher in einer Zone blieb, überquert jetzt eine Zonengrenze, und ein gesprächiger Dienst, der pro Request zwanzig aufeinanderfolgende Aufrufe macht, spürt das zwanzigmal.

Im Diagramm beobachten

Das Stress-Preset AZ-Ausfall reduziert jeden deiner Infrastruktur-Knoten um die Replikate, die er in der verlorenen Zone hatte, wobei für jeden Knoten die schlimmste Zone angenommen wird (ein Knoten mit einem einzigen Replikat fällt also ganz aus; Netzwerk- und Eingangskomponenten wie Load Balancer und CDNs behalten zwei Drittel, ebenso standardmäßig zonenübergreifende Managed Services), und es addiert einen kleinen Latenzzuschlag für den Traffic, der jetzt Zonen überquert. Lass es laufen und folge dem Request-Pfad bis zu der Komponente, der die Kapazität ausgegangen ist: Es ist selten die, die jemand erwartet hat, denn meist ist es die, deren Reserve nach Kosten festgelegt wurde und nicht nach dieser Rechnung.

Hinweis Das Preset bildet den Steady State nach dem Verlust der Zone ab, nicht die Sekunden, in denen Verbindungen auslaufen und Health Checks umspringen. Das Failover-Verhalten ist eine Eigenschaft deiner Konfiguration, nicht der Zeichnung.
Tipp Übersteht das Design das Preset mit Luft, lass es noch einmal laufen, mit höherem Traffic-Multiplikator. Plane damit, dass die Zone in der Hauptlastzeit ausfällt, nicht an einem ruhigen Sonntag.