Tiempo de inactividad

Qué es

El tiempo de inactividad es el período durante el que un servicio no
funciona para las personas que dependen de él. También se denomina
interrupción o indisponibilidad; su opuesto es el tiempo de
actividad, y la proporción de tiempo durante la que el servicio
funciona es su disponibilidad, normalmente expresada como un
porcentaje mensual o anual.

El caso más claro es una caída total: el sitio no carga, la API
rechaza conexiones o la base de datos está caída. El caso habitual
es más complicado. Un proceso de pago que agota el tiempo de espera
mientras el catálogo funciona, una página de acceso que carga pero
rechaza todas las contraseñas, una API que responde a una de cada
tres solicitudes: todos son tiempo de inactividad para quien
necesita esa ruta, aunque una comprobación de estado dirigida a la
página de inicio indique que todo está bien. Una definición útil
cuenta lo que pueden hacer los usuarios, no si hay un proceso en
ejecución.

Hay dos tipos de inactividad. La no planificada es la interrupción
que nadie eligió: un fallo de disco, un despliegue defectuoso, un
certificado caducado o una dependencia que cayó primero. La
planificada se elige de antemano, normalmente dentro de una ventana
de mantenimiento, para actualizar, migrar o trasladar algo que no
puede cambiar mientras atiende tráfico. Es más fácil convivir con
ella porque se puede avisar a los usuarios, pero sigue descontándose
de la disponibilidad a menos que el acuerdo la excluya expresamente.

HTTP tiene un vocabulario para ese momento. RFC 9110 define la clase
5xx de códigos de estado para un servidor que sabe que ha cometido
un error o no puede hacer lo solicitado. Tres de ellos significan
cosas distintas durante una interrupción. 502 Bad Gateway indica que
un proxy recibió una respuesta no válida del servidor situado
detrás. 504 Gateway Timeout indica que el proxy esperó demasiado a
que llegara una respuesta. Y 503 Service Unavailable es el que se
debe enviar deliberadamente: la especificación lo vincula a una
sobrecarga temporal o un mantenimiento programado y permite al
servidor indicar cuándo volver:

```http
HTTP/1.1 503 Service Unavailable
Retry-After: 120
```

Eso comunica a navegadores, clientes de API y rastreadores de
buscadores que la situación es temporal y sugiere esperar dos
minutos. El mensaje es muy distinto al de una página rota servida
con un código de éxito.

Por qué importa

Los objetivos de disponibilidad se expresan en nueves, y esos nueves
se traducen en tiempo. En un año de 365 días, equivalente a 8.760
horas, cada objetivo permite este tiempo de inactividad:

  * 99 %: 87,6 horas al año, unos tres días y medio;

  * 99,9 %: 8,76 horas al año, o 43,2 minutos en un mes de 30 días;

  * 99,95 %: 4,38 horas al año, o 21,6 minutos en un mes de 30 días;

  * 99,99 %: 52,56 minutos al año;

  * 99,999 %: unos 5,26 minutos al año.

Cada nueve adicional divide por diez el margen permitido, y el coste
de conseguirlo aumenta mucho. Con un 99,9 %, hay tiempo para
despertar a alguien y para que esa persona inicie sesión, encuentre
el problema y lo corrija dentro del presupuesto mensual. Con un
99,99 %, todo el año permite menos de una hora, quizá un solo
incidente, por lo que la recuperación debe ser automática. Con un
99,999 %, incluso un reinicio rutinario debe ocurrir sin que lo
noten los usuarios.

Las dependencias se multiplican. Una solicitud que necesita un
balanceador de carga, una aplicación y una base de datos, cada uno
disponible el 99,9 % del tiempo y con fallos independientes, solo se
atiende cuando funcionan los tres: 0,999³, aproximadamente el 99,7
i%, unas 26 horas de inactividad al año en lugar de 8,76. La		engineer.company	70
disponibilidad de un servicio no puede superar la de la cadena de
elementos que necesita, salvo que se eliminen eslabones o se
dupliquen.

La planificación empieza por el negocio. La guía de planificación de
contingencias para sistemas federales del NIST, SP 800-34,
identifica tres cifras que conviene acordar antes de que algo falle.
El tiempo máximo de inactividad tolerable (MTD) es la interrupción
total que aceptará el responsable del sistema. El objetivo de tiempo
de recuperación (RTO) es cuánto tiempo puede permanecer caído un
sistema antes de que el impacto sea inaceptable, y debe ser menor
que el MTD. El objetivo de punto de recuperación (RPO) indica hasta
qué momento anterior pueden restaurarse los datos desde la última
copia; mide, por tanto, la pérdida de datos tolerable, no el tiempo
fuera de servicio. Con esos tres valores escritos, la programación
de las copias y el diseño de la conmutación por error responden a
una pregunta en lugar de ser conjeturas.

Cómo se aplica en la práctica

En una plataforma de streaming IPTV y OTT con clientes en China,
Estados Unidos y Alemania, cada hora era el horario de máxima
audiencia de alguien, así que no existía una hora tranquila para el
mantenimiento. El soporte funcionaba las veinticuatro horas para
unos mil servidores y un buen número de sistemas propiedad de los
clientes. Gran parte del trabajo consistía en detectar desviaciones
antes de que se convirtieran en interrupciones: en una emisión en
directo, una caída corta lo que alguien está viendo en la
televisión. La plataforma mantuvo su disponibilidad continua para su
audiencia mundial.

En una empresa mediana, diez servidores de bases de datos PostgreSQL
y SQL Server funcionaban con un 99,9 % de tiempo de actividad. Según
las cuentas anteriores, eso permite 8,76 horas al año por servidor.
Detrás de esa cifra había copias automatizadas con `pg_dump` y
trabajos de SQL Server Agent, con políticas de retención y
almacenamiento fuera de la sede, monitorización en Prometheus y
Grafana, y procedimientos de recuperación ante desastres
documentados para restauraciones a un momento dado y conmutación por
error.

Y en un conjunto de treinta servidores Ubuntu cuya configuración
había crecido de forma accidental, se reconstruyó la parte de
recuperación ante desastres con copias y procedimientos de
restauración que sí se probaron. La red pasó a compartir una
configuración de referencia endurecida en todas las instancias. El
riesgo de inactividad disminuyó, con vías de recuperación probadas
antes de que alguien las necesitara.

Dónde surgen los problemas

El monitor está dentro de la interrupción. Una comprobación de
estado ejecutada en el mismo servidor o centro de datos sigue
indicando que todo está bien mientras los usuarios encuentran un
certificado TLS caducado, un registro DNS roto o un balanceador de
carga que no apunta a nada. Compruebe desde fuera, desde más de un
lugar y por el camino que sigue un usuario real, y genere alertas a
partir de lo que vea esa comprobación.

La página de error dice 200. Un framework que representa una página
de error amable con un código de éxito oculta la interrupción a la
monitorización, a los clientes que reintentarían y a los
rastreadores, que pueden indexarla en lugar de la página real. Los
errores deberían devolver un código de estado de error, y el
mantenimiento planificado debería responder con 503 y una cabecera
Retry-After.

La copia nunca se restauró. Una copia solo demuestra que se copiaron
bytes. Hasta que se haya ejecutado una restauración, medido su
duración y comprobado el resultado con los datos, el tiempo de
recuperación es una conjetura, a menudo muy superior al RTO escrito.
Restaure periódicamente en un entorno separado y anote cuánto tardó.
Lo mismo vale para la conmutación por error: un servidor en espera
que nunca ha asumido el servicio es una esperanza; ensayar la
conmutación en condiciones tranquilas ayuda a detectar problemas
antes de un incidente.

Los lanzamientos provocan las interrupciones que debían evitar. Un
despliegue que detiene la versión anterior antes de que esté
preparada la nueva deja un hueco en cada lanzamiento. Un cambio de
esquema que reescribe una tabla grande bajo un bloqueo exclusivo
bloquea todas sus consultas hasta terminar. Despliegue las
instancias nuevas condicionando su entrada en servicio a una
comprobación de preparación, antes de detener las antiguas; divida
los cambios de esquema en una fase de ampliación y otra posterior de
retirada, de modo que el código antiguo y el nuevo funcionen entre
ambas, y, en Kubernetes, configure un PodDisruptionBudget para que
el vaciado de un nodo no pueda detener todas las réplicas a la vez.

Lecturas adicionales

  * RFC 9110: semántica de HTTP, sección 15.6 — Los códigos de
estado 5xx, incluidos 503 y su indicación Retry-After.

  * NIST SP 800-34, revisión 1: guía de planificación de
contingencias para sistemas de información federales — Donde se
definen el tiempo máximo de inactividad tolerable, RTO y RPO.

  * PostgreSQL: alta disponibilidad, balanceo de carga y replicación
— Los servidores en espera y la conmutación por error, tal como los
describe el manual de la base de datos.

  * PostgreSQL: archivado continuo y recuperación a un momento dado
— La copia base y el archivo WAL de los que depende una restauración
a un momento dado.

  * Kubernetes: interrupciones — Las interrupciones voluntarias y
los PodDisruptionBudgets que las limitan.

hEsta página en la web	URL:https://engineer.company/es/glossary/downtime/	engineer.company	70
