planejamento (e recuperação) de desastres por rodrigo campos

Post on 28-Jun-2015

274 Views

Category:

Technology

3 Downloads

Preview:

Click to see full reader

TRANSCRIPT

Planejamento de Desastre!CMG Brasil 2014

camposr@gmail.com!@xinu

$ whoami• Orgulhosamente crimpando cabos desde 1992

• Descobri o que era colisão de IP quando meu chefe acreditou que o aniversário dele seria uma boa subnet em 1993

• Derrubei um portal web inteiro testando uma versão experimental de Linux em S/390 em 1999

• Já vi equipamentos high end falhando espetacularmente devido a bugs e erros operacionais (1992,1993,1994,1995,1996,1997,1998,…,2014,…)

• Tem sido sofrido mas adoro o meu trabalho!

“Lasciate ogni speranza, voi ch'entrate"

Dante Alighieri no vestíbulo do inferno

Sh*t happens

Na noite de 27 de Outubro de 2011 uma série de erros derrubou um cluster

inteiro de serviços na nuvem.

Todos os clientes foram afetados.

Levamos 72 horas para recuperar os serviços.

Alguns clientes perderam seus dados para sempre…

Um sumário

• Equipamento High-end

• Totalmente redundante

• Alta disponibilidade

• Todos os ovos em uma cesta muito cara

Um sumário• O time de engenharia contrariou todas as

tendências em sistemas distribuídos e optou por uma arquitetura centralizada para storage

• Todas as VMs seriam armazenadas na SAN, em um único frame de Storage de última geração

• A disponibilidade seria garantida por componentes totalmente redundantes do Storage

• Seria mais fácil de gerenciar…

Raio da Explosão

210

NetworkStorage

ServersVirtualization

Guest OSMiddleware

RuntimeData

Application

Raio da Explosão

210

NetworkStorage

ServersVirtualization

Guest OSMiddleware

RuntimeData

Application

Power Supply

Lições Aprendidas

Uptime != DisponívelComponente Downtime por ano

99% 3,65 dias

99,9% 8,76 horas

99,99% 52,56 minutos

99,999% 5,26 minutos

Tempo de ReparoPara cada componente que falha no ambiente o tempo de reparo de suas dependências pode e irá exceder o SLA do componente.

!

eg.: se o fornecimento de energia tiver 99 ,9999% (31 ,5 segundos / ano) a disponibilidade do ambiente será bem menos do que isso.

• Impacto baixo, controlado • Geralmente documentado • Método e ferramentas para

correção conhecidos • Geralmente o time de operações

atua independentemente

Falhas

• Alto impacto • Caótico e inesperado • Métodos e ferramentas

disponíveis podem não ser suficientes

• É um problema de tecnologia e de negócio

Desastres

Existem falhas e desastres

• Algumas empresas lidam com as duas situações da mesma forma

• Não faça isso… • Não há como se planejar para

tudo

Até onde você precisa ir?

• Muitas vezes terá de fazer uma “escolha de Sofia” • Seus sistemas de BI precisam de um plano de

recuperação de desastre? • Seu CMS precisa de um plano de recuperação de

desastre? • Todos precisam do mesmo nível de desempenho do seu

site principal?

Até onde você precisa ir?

• Warroom no Datacenter • Telefones? Impressoras? Agendas (de papel)? • Ativo-Ativo, Ativo-Passivo

• Impactos profundos na arquitetura de rede e storage

A linha do tempo

Detecção Diagnóstico Recuperação Operação Degradada Recuperação Análise

Post-Mortem

Downtime

Horas Dias

Semanas ∞

Quem decide se é um desastre?

• Resposta rápida: ninguém.

• Você deve ter um processo documentado para categorizar incidentes

• Se não houver tal procedimento você dependerá de julgamento humano

High PriorityMedium Priority

Medium PriorityLow Priority

Valor de Negócio

Abra

ngên

cia

Quem decide se é um desastre?

High Priority

Medium Priority

Medium Priority

Low Priority

Valor de Negócio

Abra

ngên

cia

Quem decide se é um desastre?

Regra #1-Não entre em pânico

Temos um desastre

• Reação típica: LIGUE PARA TODOS AGORA!!

• Não faça isto…

• Comece a pensar em turnos

• Tenha uma política de comunicação definida

Temos um desastre

A linha do tempo

Detecção Diagnóstico Recuperação Operação Degradada Recuperação Análise

Post-Mortem

• Garanta retenção automatizada de logs • Tenha um processo de registro de

mudança eficiente • Sistemas de relacionamento de eventos

são essenciais

A linha do tempo

Detecção Diagnóstico Recuperação Operação Degradada Recuperação Análise

Post-Mortem

• Chame seus SMS • Chame o fornecedor se for o caso • Mantenha um staff operacional mínimo • Comece a pensar em turnos • Alimentação e condições de trabalho • Hospedagem e transporte

A linha do tempo

Detecção Diagnóstico Recuperação Operação Degradada Recuperação Análise

Post-Mortem

• Estabeleça um ponto de contato responsável por cada componente

• Estabeleça checkpoints e um período de tempo entre eles

• Dentro do possível libere os especialistas e tire tarefas operacionais deles

• Mantenha a área de negócio ciente

A linha do tempo

Detecção Diagnóstico Recuperação Operação Degradada Recuperação Análise

Post-Mortem

• Reforce e alinhe expectativas claras do que está contemplado no seu plano

• Mantenha a rotina de checkpoints • Revise a escala de plantões e

acionamentos

A linha do tempo

Detecção Diagnóstico Recuperação Operação Degradada Recuperação Análise

Post-Mortem

• Exercite a cautela ao notificar os clientes internos e externos de que o serviço foi recuperado

• Tenha uma rotina de check-up definida

A linha do tempo

Detecção Diagnóstico Recuperação Operação Degradada Recuperação Análise

Post-Mortem

• Defina um processo de post-mortem antes do incidente

• O mesmo deve ser conciso e não pode ser um “dossiê"

• Inicie o plano de retorno ao site principal

Um plano não testado é só um pedaço de papel

Testes no século XXI

• Em produção… sim, em produção

• Netflix Chaos Monkey

• Blazemeter

• SOASTA

Perguntas

top related