Distribuir por zonas de disponibilidade é a resiliência mais barata que a maioria das equipas compra, e a mais fácil de interpretar mal. Três zonas parece querer dizer que uma zona pode falhar. O que quer dizer é que, quando uma falha, as outras duas têm de carregar com tudo.
O número que decide
Com o tráfego repartido por igual por três zonas, cada uma leva cerca de 33%. Perca uma e as sobreviventes levam 50% cada. É um aumento de 50% na carga em cada máquina que continua de pé.
Por isso a pergunta não é se o design é multizona. É se cada zona funciona, em tempos normais, abaixo de cerca de dois terços da sua capacidade, com margem abaixo dessa linha para os picos. Se as suas zonas estão a 80% numa terça-feira normal, perder uma deixa as outras duas a 120% da capacidade. A menos que algo descarte esse excesso, a falha de uma não degrada o serviço — deita abaixo as outras duas, que é o modo de falha que no relatório do incidente se lê como uma indisponibilidade total.
- N+1 — capacidade de reserva suficiente para perder uma unidade. Com três zonas, isso significa cada uma a ~66% ou menos.
- N+2 — suficiente para perder duas unidades, de modo que uma zona possa falhar enquanto outra unidade está fora por causa de um deploy ou de uma janela de manutenção, que é quando as perdas de zona são menos convenientes.
- O autoscaling não é um substituto — costuma reagir em minutos, e o degrau de carga é instantâneo. Sem folga para cobrir esse intervalo, encurta a indisponibilidade; não a evita.
As partes que não se limitam a mudar de sítio
Os serviços sem estado reequilibram-se mais ou menos sozinhos, assim que os health checks tiram a zona perdida do balanceador de carga. É no estado que vivem as falhas interessantes.
- Sistemas de quorum — um cluster de três nós, com um nó por zona, sobrevive à perda de uma zona e não sobrevive à perda de duas. Cinco nós por três zonas toleram dois nós falhados, não duas zonas falhadas; sobreviver a duas zonas exige cinco zonas, e outra fatura.
- Bases de dados primárias — se a primária estava na zona perdida, o relógio que conta é o tempo de failover, não o número de zonas.
- Latência entre zonas — o tráfego que antes ficava dentro de uma zona passa a atravessar uma, e um serviço conversador que faz vinte chamadas sequenciais por pedido sente isso vinte vezes.
Ver isto num diagrama
O preset de stress Perda de AZ retira a cada nó de infraestrutura que é seu as réplicas que tinha na zona perdida, assumindo para cada nó a pior zona (assim, um nó com uma única réplica fica totalmente em baixo; componentes de rede e de entrada, como balanceadores de carga e CDN, e serviços geridos multizona por omissão mantêm dois terços), e acrescenta uma pequena penalização de latência ao tráfego que agora atravessa zonas. Corra-o e siga o caminho do pedido até ao componente que ficou sem capacidade: raramente é o que alguém esperava, porque costuma ser aquele cuja folga foi definida pelo custo e não por este cálculo.