容灾方案怎么设计:先定RTO和RPO再选架构
容灾方案怎么设计,核心不是先买服务器,而是先回答两个问题:业务最多能停多久(RTO),最多能丢多少数据(RPO)。
这两个指标决定预算和架构,脱离它们直接谈双活或异地容灾,往往花了大钱却达不到业务预期。
下面按评估、选型、落地、验证的顺序讲清楚。
先做业务影响分析,把RTO和RPO定下来
找业务负责人逐项确认:哪些系统不能停、停1小时损失多少、数据丢10分钟能否接受。
把结论写成表格,作为后续所有技术决策的依据。
| 业务系统 | 允许停机时间RTO | 允许丢数据RPO | 预算等级 |
| --- | --- | --- | --- |
| 官网/展示站 | 4小时 | 24小时 | 低 |
| 订单系统 | 30分钟 | 5分钟 | 高 |
| 内部OA | 8小时 | 1小时 | 中 |
注意:RTO和RPO是业务指标,不是技术指标。
运维可以给出实现成本,但最终由业务方签字确认。
没有书面确认的容灾方案,在故障复盘时最容易扯皮。
按指标选架构,别一上来就双活
常见三类方案,适用条件不同:
- 备份+快速恢复:适合RTO小时级、RPO小时级的场景。成本最低,用定时备份加镜像或快照,故障后重新部署。缺点是恢复时间长,需要提前写好恢复手册。
- 同城双机热备:适合RTO分钟级、RPO秒级的核心系统。两台服务器通过心跳和复制保持同步,主节点故障时备节点接管。需要额外考虑脑裂问题,通常加仲裁节点或使用云厂商的高可用组件。
- 异地容灾:适合同城机房整体故障的兜底。数据异步复制到异地,RPO通常在分钟级,切换需要人工确认。成本最高,一般只给核心业务做。
判断条件很简单:如果业务方说“停半天没事”,就别上双活;
如果订单系统丢5分钟数据就影响对账,就必须做实时复制或同步提交。
落地示例:双机热备加异地备份的组合
以一台Nginx+应用服务器、一台MySQL数据库为例,给出最小可用的组合方案。
数据库层:主从复制保证RPO。
在MySQL主库配置server-id并开启binlog,从库执行CHANGE MASTER TO指向主库。
主库故障时,从库执行STOP SLAVE; RESET SLAVE ALL;后提升为主库,再把应用连接地址切过去。
切换前务必确认从库Seconds_Behind_Master为0,避免丢事务。
应用层:两台应用服务器前置负载均衡或Keepalived虚拟IP。
Keepalived配置示例:
vrrp_instance VI_1 {
state MASTER
interface eth0
virtual_router_id 51
priority 100
advert_int 1
virtual_ipaddress {
192.168.1.100
}
}
备节点state改为BACKUP,priority调低。
用systemctl status keepalived和ip addr检查虚拟IP是否漂移。
异地备份:用rsync或云厂商快照把数据库全量备份和binlog定时传到异地存储。
备份文件要定期做恢复测试,只备份不恢复等于没备份。
避坑:主从复制延迟是常见故障点。
大事务、从库单线程回放都会拉高延迟,建议开启并行复制并监控Seconds_Behind_Master。
另外,切换脚本不要直接写死IP,用域名或配置中心解耦。
切换演练和验收,不演练的方案不算完成
方案写完必须做一次模拟故障:主库停掉,观察从库是否自动或手动提升、应用是否在RTO内恢复、数据差异是否在RPO内。
演练记录要包含时间点、操作人、实际RTO和发现的问题。
验收标准建议写进运维手册:
- 切换操作有明确步骤和回滚方法,每一步有预期结果。
- 监控能告警主从延迟、心跳丢失和备份失败。
- 备份恢复演练至少每季度一次,记录恢复耗时。
- 关键配置和脚本纳入版本管理,避免只存在某台机器上。
如果业务还在起步阶段,可以先做备份加恢复手册,把RTO和RPO写清楚,等业务量上来再升级架构。
容灾方案怎么设计,最终是业务指标、预算和运维能力三者平衡的结果,不是架构越复杂越好。