Repartirse entre zonas de disponibilidad es la resiliencia más barata que compran la mayoría de los equipos, y la más fácil de malinterpretar. Tres zonas suena a que una zona puede caerse. Lo que significa es que, cuando una cae, las otras dos tienen que cargar con todo.
El número que lo decide
Con el tráfico repartido por igual entre tres zonas, cada una carga cerca del 33%. Si pierdes una, las supervivientes cargan el 50% cada una. Es un aumento del 50% de la carga en cada máquina que sigue en pie.
Así que la pregunta no es si el diseño es multizona. Es si cada zona funciona por debajo de aproximadamente dos tercios de su capacidad en condiciones normales, con margen bajo esa línea para los picos. Si tus zonas están al 80% en un martes normal, perder una deja a las otras dos al 120% de su capacidad. A menos que algo descarte ese exceso, la caída de una no degrada el servicio: tumba a las otras dos, que es el modo de fallo que en el informe del incidente se lee como una caída total.
- N+1: capacidad de reserva suficiente para perder una unidad. Con tres zonas, eso significa que cada una funciona al ~66% o menos.
- N+2: suficiente para perder dos unidades, de modo que una zona pueda caer mientras otra unidad está fuera por un despliegue o una ventana de mantenimiento, que es cuando las caídas de zona resultan más inoportunas.
- El autoescalado no sustituye al margen: suele reaccionar en minutos y el salto de carga es instantáneo. Sin margen para cubrir ese intervalo, acorta la caída; no la evita.
Lo que no se limita a moverse
Los servicios sin estado se reequilibran más o menos solos, una vez que los health checks sacan la zona perdida del balanceador de carga. Los fallos interesantes viven en el estado.
- Sistemas de quórum: un clúster de tres nodos con un nodo por zona sobrevive a la pérdida de una zona y no puede sobrevivir a la de dos. Cinco nodos repartidos en tres zonas toleran dos nodos caídos, no dos zonas caídas; sobrevivir a dos zonas exige cinco zonas, y otra factura.
- Bases de datos primarias: si la primaria estaba en la zona perdida, el reloj que importa es el tiempo de failover, no el número de zonas.
- Latencia entre zonas: el tráfico que antes se quedaba dentro de una zona ahora cruza una, y un servicio muy conversador que hace veinte llamadas secuenciales por solicitud lo siente veinte veces.
Verlo en un diagrama
El preset de estrés Pérdida de AZ reduce cada nodo de infraestructura que tengas en tantas réplicas como tuviera en la zona perdida, suponiendo la peor zona para cada nodo (así que un nodo con una sola réplica cae por completo; los componentes de red y de entrada, como balanceadores de carga y CDN, y los servicios gestionados multizona por defecto conservan dos tercios), y añade una pequeña penalización de latencia al tráfico que ahora cruza zonas. Ejecútalo y sigue la ruta de la solicitud hasta el componente que se quedó sin capacidad: rara vez es el que alguien esperaba, porque suele ser aquel cuyo margen se fijó por coste y no con este cálculo.