什麼是容錯移轉和容錯回復?

本文提供容錯移轉與容錯回復在雲端環境中如何運作的一般概觀。 不過,若要了解容錯移轉,您應該先了解備援和複寫。 想在繼續閱讀本文前了解這些概念,請參閱 冗餘、複製與備份。

維護應用程式與資料副本冗餘副本的常見原因是能夠執行 故障轉移。 透過故障轉移,您可以將流量和要求從狀況不良的實例重新導向到狀況良好的實例。 然後,當原本的實例恢復正常時,您可以進行 故障回复,回到原本的配置。

主動與被動實例角色

在故障轉移的情境中, 實例 可以是單一元件,如資料庫,或是由多個元件組成的區域服務部署集合。 在整個解決方案中,您可能會在不同情況下,以不同方式對該解決方案的不同部分進行容錯移轉。

一個元件,或一組配置為故障轉移和恢復的元件集合,需要多個實例。 每個實例都扮演特定 角色:

  • 主要或活躍中的實例會主動執行工作,例如處理來自客戶端的請求。 通常一次只有一個主要實例。
  • 次要 或 被動 實例處於非活躍狀態,但若有需要,隨時可切換成為主實例。 可能還有幾個次要案例。

有多種方式可以配置被動實例。 每種方式都需要在恢復時間與成本及營運複雜度等其他因素之間做出權衡:

  • 熱待命:設計為隨時準備好接受生產環境流量。
  • 暖待命:設計為幾乎準備好接受生產環境流量,但在接受流量之前,可能需要先完成一些設定變更或調整規模作業。
  • 指示燈待命:以精簡設定進行部分部署,且在接受生產環境流量之前,需要完成大量的準備工作。
  • 冷待命:可能完全未部署,且必須先部署元件,才能接受生產環境流量。

小提示

部分解決方案在建置時會採用主動-主動方法,這表示會有多個執行個體同時處理要求。 主動-主動系統不需要進行容錯移轉,因為所有執行個體隨時都在主動處理要求。

容錯移轉範圍

不同情況需要不同的備援策略。 為了說明這些可能的策略,請考慮一個範例解決方案,該方案由一個應用程式存取資料庫資料組成。 你透過建立多重備份的應用程式伺服器和多個資料庫副本來配置故障轉移解決方案。 接著,你要設定:

  • 透過在 Azure 區域內將副本和複本放在不同的可用性區間來實現區域冗餘。
  • 透過使用全域負載平衡器在區域之間進行容錯移轉,以達到異地備援。

以下是簡化的示意圖,說明一般操作中的整體架構:

此圖表顯示在兩個獨立區域的不同可用性區域中使用多個資料庫複本的解決方案架構。

在這個解決方案中,不同情況可能會觸發不同的故障轉移事件。 上述每種情況各對應一個容錯移轉範圍,代表進行容錯移轉之元件的細微性:

  • 當主動資料庫複本變成無法使用時,可能會發生資料庫複本容錯移轉。 被動複製品會升格為主動複製品。 通常,應用程式可以快速將請求重新導向新的主動副本:

    圖示顯示解決方案架構,將被動副本提升為新的主動副本。

  • 如果整個可用性區域發生中斷,可能會發生可用性區域容錯移轉。 這類中斷需要將所有流量路由傳送至其餘區域中的網頁伺服器,並確保運作中區域內的資料庫複本成為主動複本 (如果原本不是主動複本):

    示意圖,顯示一個可用區無法使用的解決方案架構。

  • 如果整個主要 Azure 區域發生災難性損失,可能會發生區域容錯移轉。

    圖示顯示某區域無法使用的解決方案架構。

雖然這些範圍各自提供了一種類型的故障轉移,但它們可能有不同的故障轉移需求與流程。 另外,Microsoft 可能負責某些故障轉移範圍,例如使用區域冗餘服務時,而你可能負責更廣泛的範圍故障轉移,例如在 Azure 區域間的故障轉移。

故障轉移與業務持續規劃

業務連續性計畫的一部分是設計故障轉移策略,其中包括您可以進行故障轉移的不同範圍。

一般而言,您的業務持續性計畫應包含在可用區域內或可用區域間的自動故障轉移程序。 這類容錯移轉是高可用性策略的一部分。 例如,若資料庫的主動副本失敗,自動化程序可以將被動副本升格為主動副本。 接著,網頁伺服器會與新的主動副本通訊。 同樣地,若某個可用區域失效,許多解決方案會自動利用剩餘區域來恢復。

在災難情境下,例如極不可能發生全區中斷時,會採用不同的故障轉移程序。 在區域中斷的情況下,您可能會將連入的 Web 要求切換為使用第二個區域,並觸發資料庫容錯移轉至次要區域中的複本。

請記住,將故障轉移程序納入您的業務持續性規劃,需要進行更詳細的設計與測試。 如需詳細資訊,請參閱 什麼是商務持續性、高可用性和災害復原?。

計畫性與非計畫性故障轉移

非計畫性故障轉移 是在元件發生中斷時實施的,目的是通過使用另一個實例來恢復服務。 非計畫性故障轉移有時會導致停機或資料遺失,視解決方案設計而定。 非計畫性故障轉移需要有機制來偵測故障並決定何時觸發故障轉移。

相較之下,計劃性故障轉移是你主動觸發的。 你可能會為了預先準備某些事情而這麼做,例如,虛擬機器需要被打補丁和重新啟動。 計畫性故障轉移可能對停機時間和資料遺失的容忍度較低,因為這些是定期維護程序的一部分。

容錯移轉的運作方式

故障轉移通常包含以下步驟,這些步驟可以手動執行,也可以由自動化系統執行。 每個步驟的具體細節取決於具體系統。

  1. 偵測失敗 (僅限非計畫性容錯移轉)。 自動化容錯移轉需要某種機制來偵測執行個體何時無法使用,而這通常是以某種狀況檢查為基礎。 不同服務對健康狀況的定義各有不同。 例如,有些服務會在實例間主動傳送 心跳 事件。 其他則需要一個獨立元件,以固定間隔探測每個實例。 健康監控器通常需要一段時間才能偵測到實例失敗,且通常要給予寬限期,以防實例只是忙碌無法回應。

  2. 選擇進行容錯移轉。 在某個時間點,系統或人員會決定要執行容錯移轉。 決策可以透過自動化工具或手動完成。 貴組織的風險承受度可能會影響此決策的快速做出。 如果您的風險容忍度較低,一旦出現任何問題徵兆,您可能會選擇快速進行容錯移轉。 如果您的風險容忍度較高,您可能會選擇先等待並觀察問題是否能解決,然後再進行容錯移轉。

  3. 選擇一個新的主實例。 其餘的其中一個執行個體應該成為新的主要執行個體。

    在某些情況下,你可能事先設定好哪個實例應該成為新的主實例,或者你可能只有一個實例可以切換。

    在其他情況下,系統會自動選擇新的主實例。 分散式運算中使用了多種 共識演算法 ,包括領導者 選舉。 這些演算法是在相關服務中實作,例如資料庫。 在某些系統中,讓每個執行個體知道新的主要複本為何非常重要,因此系統會自動向每個複本宣告選取結果。

  4. 進行重新導向請求。 設定你的環境,讓請求會被導向健康實例或新的主實例。

    為了達成這個目標,你可能需要更新其他系統,讓他們知道該把請求送到哪裡。 這可能包括更新負載平衡系統以排除不健康的實例。 在其他情況下,網域名稱系統(DNS)通常用作向系統中活躍實例發送請求的方式。 作為故障轉移過程的一部分,通常需要更新 DNS 紀錄,使請求被路由到新的主實例。 DNS 有「 存活時間」(time-to-live, TTL)的概念,指示客戶多久檢查一次更新的 DNS 紀錄。 如果你的 TTL 設為長值,客戶端可能需要時間才能收到故障轉移的資訊,他們可能會繼續向舊的主伺服器發送請求。

由於故障轉移流程可能包含延遲,因此你必須規劃故障轉移程序,以符合停機時間(恢復點目標,RTO)和資料遺失(恢復點目標,RPO)的需求。 欲了解更多,請參閱 「什麼是業務持續性、高可用性與災難復原?」。

Failback

故障恢復 是將流量恢復並重新導向至原本的主要實例的過程。

在某些情況下,根本不需要進行容錯回復,因為每個執行個體都具備做為主要執行個體的同等能力。 不過,有些情況下備份很重要,例如你需要從特定 Azure 區域執行應用程式,且在區域故障期間暫時切換到另一個區域。

有時,容錯回復的處理方式與容錯移轉相同。 不過,基於幾個原因,容錯回復也可能會比容錯移轉更複雜:

  • 資料同步問題。 在常規故障轉移期間甚至之後,前一個主實例可能仍然執行了一些工作或寫入了一些資料到資料儲存。 備援流程的一部分是確保解決方案資料的一致性與完整性,包括管理主實例與次要實例間的任何衝突或重複。

    資料同步問題常常需要人工介入。 如果你不需要這些衝突的資料,你可以選擇重置資料庫或其他狀態。

  • 補救步驟。 如果在故障轉移發生之前對主實例嘗試進行任何修復步驟,可能會使主實例處於未知狀態。

    如果主要執行個體有處於不一致狀態的風險,您可能需要先毀損並重新部署主要執行個體,使其在您進行容錯回復之前處於已知的良好狀態。

  • 額外的休息時間。 在故障回復過程中,由於需要重新設定或進行資料一致性恢復的操作步驟,停機時間可能會比故障切換時更長。

    您可以透過在維護時段內執行容錯回復程序,或事先通知使用者這項變更,來緩和此問題。 此外,你也可以在系統上線時進行部分準備作業,減少停機時間。

  • 風險承受度。 若故障轉移是由於中斷造成,則組織在恢復過程中對停機時間或其他風險的容忍度可能會降低。

    業務利害關係人應在整個過程中持續被告知情況,並充分了解回退的必要性及回退程序的影響。 你或許能協商到合適的時間來做修改。

Azure 服務中的容錯移轉和容錯回復

雖然了解故障轉移的運作方式很重要,但請記得每個 Azure 服務對故障轉移和備份的處理方式都不同。 欲了解特定Azure服務在可靠性上的運作方式,請參考請參考各服務的可靠性指南。

許多 Azure 服務會自動處理某些類型的故障轉移。 例如,當你使用設定為區域冗餘的 Azure 服務時,Microsoft 會自動幫你在可用性區域間切換。 欲了解更多,請參閱 什麼是可用性區域? 以及 Azure 服務可靠性指南。

如果您使用虛擬機器,Azure Site Recovery 會在不同可用性區域或其他 Azure 區域之間複製虛擬機器及其磁碟,並能夠為您執行故障轉移。

當你設計結合多個 Azure 服務的解決方案時,故障轉移需求可能會變得更複雜。 假設你在設計一個包含應用層級和資料庫的解決方案,並且想建立一個多區域的主動/被動架構。 在主要區域發生故障時,應用程式和資料庫必須同時切換到次要區域。 根據你使用的具體服務,你可能需要規劃自己的故障轉移方式,在每個區域的部署間切換。 Azure 透過 Azure Front Door 和 Azure 流量管理員 提供全球流量路由與負載平衡,你可以選擇符合故障轉移需求的技術。 每個服務都支援監控你應用程式每個區域實例的健康狀況,你可以設定它自動將流量重新導向健康實例。

後續步驟