信頼性＠AWS¶
はじめに¶
本サイトにつきまして、以下をご認識のほど宜しくお願いいたします。
01. 障害の対策¶
インシデント管理¶
インシデント管理ツール (例：PagerDuty、Grafana OnCall、AWS Incident Manager、Slack Apps) を採用し、障害をオンコール担当者に迅速に通知する。
冗長化¶
▼ マルチAZ¶
マルチAZを採用する。
それぞれのAZにAWS EC2/ECSを冗長化する。
特定のAZで障害が発生した場合、ALBを起点にして、インバウンド通信の向き先を正常なAZのAWS EC2/ECSに切り替える。
▼ AWS NAT Gateway¶
AWS NAT Gatewayを冗長化する。
AWS NAT GatewayをAZで冗長化し、特定のAZで障害が起こっても、他のAZのアウトバウンド通信に影響しないようにする。
▼ Auto Scaling Group¶
Auto Scaling Groupを採用する。
AWS EC2で障害が発生した場合、ALBを起点にして、正常なAWS EC2に切り替える。
▼ AWS EKS マネージドNodeグループ¶
AWS EKS マネージドNodeグループを採用する。
AWS EC2 Nodeで障害が発生した場合、ALBを起点にして、正常なAWS EC2に切り替える。
▼ Aurora¶
Auroraでフェイルオーバーを採用する。
プライマリーインスタンスで障害が発生した場合、フェイルオーバーにより、リードレプリカがプライマリーインスタンスに昇格します。
スケーリング¶
▼ AWS EKS マネージドNodeグループ¶
AWS EC2 Nodeのスケールアップには、Cluster Autoscaler、AWS EKS マネージドNodeグループ、を採用する。
Cluster AutoscalerとAWS EKS マネージドNodeグループ、では、PodによるAWS EC2 Nodeの負荷に応じてAWS EC2 Nodeをスケーリングする。
▼ Auto Scaling Group¶
AWS EC2のスケールアップには、Auto Scaling Group、を採用する。
Auto Scaling Groupでは、AWS EC2のハードウェアリソース (CPU、メモリ) の消費率に応じて、自動水平スケーリングします。
02. 災害の対策¶
DRリージョン (BCPリージョン) とは¶
『BCPリージョン』ともいう。
メインリージョンで災害が起こった場合に、システムの障害にならないように、災害復旧用リージョンを用意しておく。
バックアップリストア構成¶
DRリージョンにメインリージョンのAWSリソース (例：EBSボリューム、RDS) のスナップショットを定期的に作成しておく。
メインリージョンで障害が起こった場合は、スナップショットを使用して、DRリージョンにAWSリソースを復元する。
DRリージョンの準備が完了次第、リクエストをDRリージョンにルーティング可能にする。
障害が起こってから対応することが多いため、RTOが長くなってしまう。
RPOは最後のバックアップ時点である。
一方で金銭的コストが低い。
パイロットライト構成¶
DRリージョンに低スペックなDBを作成しておき、メインリージョンとDRリージョンのDBを定期的に同期しておく。
メインリージョンで障害が起こった場合は、DRリージョンでDB以外のインフラコンポーネント (例：アプリケーション部分など) を作成し、またDBのスペックをメインリージョンと同等に上げる。
DRリージョンの準備が完了次第、リクエストをDRリージョンにルーティング可能にする。
障害が起こってから対応することが多いため、RTOがやや長くなってしまう。
RPOは最後の同期時点である。
一方で金銭的コストが低い。
ウォームスタンバイ構成¶
DRリージョンにメインリージョンよりも低スペックなアプリケーションとDBを作成しておき、メインリージョンとDRリージョンのDBを定期的に同期しておく。
メインリージョンで障害が起こった場合は、DRリージョンでアプリケーションとDBのスペックをメインリージョンと同等に上げる。
DRリージョンの準備が完了次第、リクエストをDRリージョンにルーティング可能にする。
障害が起こった後、スペックを向上させ、またルーティング先を切り替えるのみで復旧できるため、RTOが短い。
RPOは最後の同期時点である。
一方で、金銭的コストが高い。
マルチサイトアクティブ構成¶
DRリージョンにメインリージョンと同等なアプリケーションとDBを作成しておき、メインリージョンとDRリージョンのDBを定期的に同期しておく。
メインリージョンで障害が起こった場合は、リクエストをDRリージョンにルーティング可能にする。
障害が起こった後、ルーティング先を切り替えるのみで復旧できるため、RTOが短い。
RPOは最後の同期時点である。
一方で、金銭的コストが高い。