Répartir sur plusieurs zones de disponibilité est la résilience la moins chère que s’offrent la plupart des équipes, et la plus facile à mal interpréter. Trois zones, cela donne l’impression qu’une zone peut tomber. Ce que cela veut dire, c’est que lorsqu’une tombe, les deux autres doivent tout porter.
Le chiffre qui décide
Avec un trafic réparti à parts égales sur trois zones, chacune en porte environ 33%. Perdez-en une et les survivantes en portent 50% chacune. C’est une augmentation de 50% de la charge sur chaque machine encore en service.
La question n’est donc pas de savoir si la conception est multi-zone. C’est de savoir si chaque zone tourne en dessous d’environ deux tiers de sa capacité en temps normal, avec de la marge sous cette ligne pour les pics. Si vos zones sont à 80% un mardi ordinaire, perdre l’une met les deux autres à 120% de leur capacité. Si rien n’écarte cet excédent, la panne d’une zone ne dégrade pas le service — elle fait tomber les deux autres, ce qui se lit comme une panne totale dans le rapport d’incident.
- N+1 — assez de capacité de réserve pour perdre une unité. Avec trois zones, cela veut dire que chacune tourne à ~66% ou moins.
- N+2 — assez pour en perdre deux, de sorte qu’une zone puisse tomber pendant qu’une autre unité est hors service pour un déploiement ou une fenêtre de maintenance, soit le moment où une perte de zone tombe le plus mal.
- L’autoscaling ne remplace pas la marge — il réagit généralement en minutes, et le saut de charge est instantané. Sans marge pour combler cet intervalle, il raccourcit la panne ; il ne l’empêche pas.
Ce qui ne se déplace pas simplement
Les services sans état se rééquilibrent à peu près seuls, une fois que les health checks ont retiré la zone perdue du répartiteur de charge. C’est l’état qui concentre les pannes intéressantes.
- Systèmes à quorum — un cluster de trois nœuds, un par zone, survit à la perte d’une zone et ne survit pas à la perte de deux. Cinq nœuds répartis sur trois zones tolèrent deux nœuds en panne, pas deux zones en panne ; survivre à deux zones demande cinq zones, et une autre facture.
- Bases de données primaires — si le primaire était dans la zone perdue, l’horloge qui compte est le temps de failover, pas le nombre de zones.
- Latence inter-zones — le trafic qui restait dans une zone en traverse maintenant une, et un service bavard qui fait vingt appels séquentiels par requête le ressent vingt fois.
Le regarder sur un diagramme
Le preset de stress Perte d'AZ retire à chaque nœud d’infrastructure que vous possédez les réplicas qu’il avait dans la zone perdue, en supposant la pire zone pour chaque nœud (un nœud à réplica unique tombe donc entièrement ; les composants réseau et d’entrée, comme les répartiteurs de charge et les CDN, et les services managés multizones par défaut en gardent deux tiers), et ajoute une petite pénalité de latence pour le trafic qui traverse maintenant des zones. Lancez-le et suivez le chemin de la requête jusqu’au composant qui a manqué de capacité : ce n’est que rarement celui qu’on attendait, parce que c’est généralement celui dont la marge a été fixée par le coût plutôt que par ce calcul.