Baza primară a căzut și tot site-ul s-a oprit (fără failover)
Serverele sunt redundante, dar baza de date are o singură instanță, deci căderea ei oprește toate scrierile și citirile care nu sunt în cache. Adaugă o replică de rezervă cu failover automat (Multi-AZ, Patroni, replica set), ca o copie să preia rolul primarei în câteva zeci de secunde.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Baza de date e adesea ultimul punct unic de eșec rămas: load balancer-ul are două instanțe, serverele sunt multe, dar baza rulează pe o singură mașină. Când mașina cade (hardware, zona de disponibilitate, un upgrade care nu repornește), aplicația primește Connection refused, could not connect to server sau timeout-uri, iar site-ul se oprește.
O replică de rezervă (standby) primește continuu modificările de la primară. La căderea primarei, un mecanism de failover o promovează, iar aplicația se reconectează la noua primară prin aceeași adresă (DNS-ul sau IP-ul virtual se mută). În serviciile gestionate (RDS Multi-AZ, Cloud SQL HA) e o bifă, cu un cost dublu pentru bază.
Failover-ul nu e instantaneu: zeci de secunde în care conexiunile se rup. Aplicația trebuie să reîncerce conexiunile și tranzacțiile întrerupte.
De ce apare: cauzele frecvente
1O singură instanță de bază
aws rds create-db-instance --db-instance-identifier magazin --engine postgres ...aws rds create-db-instance --db-instance-identifier magazin --engine postgres --multi-az ...Multi-AZ ține o replică sincronă în altă zonă și face failover automat.
2Aplicația nu se reconectează după failover
spring.datasource.url=jdbc:postgresql://10.0.1.50:5432/magazin # IP-ul primarei vechispring.datasource.url=jdbc:postgresql://magazin.cluster-abc.eu-central-1.rds.amazonaws.com:5432/magazin
spring.datasource.hikari.max-lifetime=300000Numele DNS al clusterului indică mereu primara curentă; conexiunile vechi se reînnoiesc.
Repară eroarea, direct în pagină
Arhitectura are load balancer și servere redundante, dar baza SQL primară e SPOF: dacă pică, site-ul se oprește. Elimină punctul unic de eșec și ridică disponibilitatea totală la cel puțin 99,95%.
Indiciu
Nu ai nevoie de o componentă nouă; uită-te la proprietățile bazei.
Reparația
1. Atinge Bază SQL primară. 2. Bifează Replică de rezervă (failover).
Rezultat: fără SPOF, disponibilitate peste 99,95%.
De ce merge
Fără standby, căderea bazei înseamnă oprirea scrierilor și a citirilor neacoperite de cache. Cu replica de rezervă, baza are două copii, failover-ul preia rolul primarei, iar disponibilitatea totală crește.
Alte forme ale mesajului
could not connect to server: Connection refused (primary down)Communications link failure (MySQL primar căzut)
Cum o eviți pe viitor
- Rulează baza de producție cu replică de rezervă și failover automat.
- Conectează aplicația prin numele clusterului, nu prin IP-ul unei mașini.
- Configurează pool-ul să reîncerce conexiunile și să le reînnoiască periodic.
- Testează failover-ul în mod regulat, nu doar la incident.
Întrebări frecvente
Replica de rezervă servește și citiri?
La unele servicii nu (RDS Multi-AZ clasic), la altele da. Rolul ei principal e să preia scrierile la cădere; pentru citiri adaugi replici de citire.
Backup-urile nu ajung?
Backup-ul te protejează de pierderea datelor, dar restaurarea durează ore. Failover-ul te protejează de oprire: minute sau secunde.
Erori înrudite
Single point of failure (SPOF): o singură componentă cade și oprește tot site-ul O componentă rulează într-un singur exemplar pe drumul tuturor cererilor (un server de aplicație, o bază fără standby, un singur load balancer), deci căderea ei oprește tot sistemul. Pune cel puțin două instanțe în spatele unui load balancer cu health check sau un standby cu failover automat. Split brain: două noduri primare după o partiție de rețea După o întrerupere de rețea între noduri, ambele părți ale clusterului s-au crezut singure și fiecare a promovat un primar care a acceptat scrieri, deci datele au divergent. Previi cu cvorum (majoritate dintr-un număr impar de noduri), fencing pentru fostul primar și tokenuri de epocă. Replication lag: utilizatorul nu-și vede modificarea imediat după salvare (read-your-writes) Scrierea a mers la primară, dar citirea imediat următoare a ajuns la o replică ce nu a aplicat-o încă, deci utilizatorul vede datele vechi. Replicarea asincronă are mereu o întârziere. Trimite la primară citirile care trebuie să vadă scrieri proaspete (datele proprii, imediat după salvare). Învață System Design de la zero, cu exerciții la fiecare lecție
Curs System Design: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 10 lecții sunt gratuite.
