Alta disponibilidad

Qué es

La alta disponibilidad es la propiedad de un servicio que sigue
respondiendo cuando falla una de las máquinas, discos, conexiones de
red o procesos que lo sostienen. Suele construirse como un clúster:
varios hosts capaces de ejecutar el servicio, software que los
vigila y un procedimiento que traslada el trabajo de un host
averiado a uno sano. El proyecto ClusterLabs, que mantiene la pila
de clústeres de código abierto Pacemaker y Corosync, describe un
clúster de este tipo como un sistema que gestiona servicios en
varios hosts, desde arrancarlos y comprobar su salud hasta
recuperarlos tras un fallo, «para minimizar el tiempo de inactividad
preservando la integridad de los datos».

La segunda mitad de esa frase importa tanto como la primera. Un
servicio que vuelve pronto con datos incorrectos no se ha vuelto
altamente disponible. Se ha vuelto peligroso.

La documentación de PostgreSQL separa dos razones para ejecutar
varios servidores de bases de datos juntos. Una es que un segundo
servidor tome el relevo con rapidez si falla el principal, lo que
llama alta disponibilidad. La otra es que varios equipos sirvan los
mismos datos, lo que llama balanceo de carga. A menudo comparten
mecanismos, pero responden a preguntas distintas: la alta
disponibilidad trata de sobrevivir a un fallo; el balanceo de carga
y la escalabilidad, de soportar más trabajo.

La disponibilidad misma es un número. La medida tradicional se basa
en el tiempo: la proporción de un período durante la que pudo usarse
el servicio. El libro de SRE de Google explica que, para servicios
repartidos por el mundo, donde casi siempre hay alguna parte activa
en algún lugar, mide en cambio la proporción de solicitudes
respondidas con éxito. Ambas se expresan en porcentajes y se
describen como una cantidad de nueves.

Todo diseño de alta disponibilidad se compone de las mismas pocas
piezas:

  * Redundancia. Un repuesto para cada pieza cuyo fallo detendría el
servicio: un segundo host, una base de datos en espera, una segunda
ruta de red. Pacemaker admite pares activo/pasivo, disposiciones N+1
donde varios nodos activos comparten un repuesto y otras
estructuras.

  * Detección. Algo tiene que descubrir el fallo. El capítulo de
PostgreSQL sobre conmutación por error describe una señal de vida
entre el principal y el servidor en espera que comprueba
continuamente la conexión y si el principal sigue funcionando.

  * Conmutación por error. Trasladar el trabajo: promover el
servidor en espera, mover la dirección IP del servicio, arrancar el
proceso en otro host.

  * Aislamiento del nodo fallido. Asegurar que el nodo averiado se
ha detenido de verdad antes de iniciar su trabajo en otro lugar.

  * Reconstrucción del repuesto. Tras una conmutación, el sistema
funciona sin redundancia hasta que hay un repuesto nuevo.

La alta disponibilidad no es una copia de seguridad ni recuperación
ante desastres. Protege frente al fallo de una pieza mientras el
emplazamiento sigue funcionando en conjunto. Una copia de seguridad
protege frente a la pérdida o corrupción de datos, incluida la
corrupción que un clúster copia fielmente en todos los nodos, y la
recuperación ante desastres es el plan para afrontar la pérdida del
emplazamiento completo.

Por qué importa

Todo servicio tiene piezas que fallarán. El hardware se rompe, los
núcleos sufren errores fatales, una máquina virtual se elimina por
accidente, una partición de red separa un nodo sano del resto del
clúster. La documentación de Kubernetes las enumera como
interrupciones involuntarias y las contrapone a las voluntarias que
alguien planifica, como evacuar un nodo para repararlo o
actualizarlo. Sin redundancia, cada una es una caída, incluidas las
planificadas, porque la única forma de aplicar parches a un servidor
único es detenerlo.

Ese segundo punto suele ser el primer beneficio que nota un equipo.
El capítulo de PostgreSQL sobre conmutación por error considera útil
alternar regularmente entre principal y servidor en espera: permite
detener cada máquina por turnos para mantenerla y cada cambio
comprueba que el mecanismo funcionará cuando se necesite.

Los nueves se traducen en tiempo. Para un año de 365 días (525.600
minutos) y un mes de 30 días (43.200 minutos), el cálculo es:

```text
Disponibilidad  Inactividad permitida/año  Permitida por mes de 30 días
99%             3.65 días                  7.2 horas
99.9%           8.76 horas                 43.2 minutos
99.95%          4.38 horas                 21.6 minutos
99.99%          52.56 minutos              4.32 minutos
99.999%         unos 5.26 minutos          unos 26 segundos
```

Cada nueve adicional divide el margen entre diez y el coste crece
aún más deprisa. El libro de SRE advierte que un paso más en
fiabilidad puede costar cien veces lo que el anterior y que, pasado
cierto punto, los usuarios no distinguen la diferencia: quien usa un
teléfono que solo es fiable al 99 % no notará si el servicio de
detrás funciona al 99,99 % o al 99,999 %. Por eso el libro trata el
objetivo de disponibilidad como un mínimo y también un máximo. Un
servicio mucho más disponible de lo necesario ha gastado dinero y
tiempo de ingeniería que podrían haberse dedicado a otra cosa.

Por eso el objetivo es una decisión de negocio que se toma servicio
por servicio. Un objetivo de nivel de servicio deja escrito el
número; la alta disponibilidad es la ingeniería que permite
alcanzarlo.

Cómo se aplica en la práctica

Tomemos un servicio de reservas inventado con tres capas: una web,
una de aplicación y una base de datos PostgreSQL, cada una en su
propio host. Todos los números siguientes son inventados para el
ejemplo. Si cada capa está activa el 99,9 % del tiempo y el servicio
necesita las tres, sus disponibilidades se multiplican. Duplicar una
capa funciona al revés, porque ambas copias tienen que estar caídas
a la vez:

```text
Tres capas en serie, cada una disponible al 99.9%:
  0.999 × 0.999 × 0.999 ≈ 0.997      unas 26 horas de inactividad/año

Una capa duplicada, si sus dos copias fallan de forma independiente:
  1 − 0.001 × 0.001 = 0.999999       cerca de medio minuto al año
```

El segundo cálculo descansa en una palabra: independientemente. Dos
copias en el mismo host, el mismo bastidor, detrás del mismo
conmutador o en la misma zona de nube comparten destino y el cálculo
deja de valer. La fórmula presupone también que el cambio de una
copia a otra es instantáneo y siempre funciona, algo que solo las
pruebas pueden demostrar.

En Kubernetes, para eso sirven las restricciones de distribución
topológica. El caso que motiva la propia documentación es una carga
de trabajo que puede reducirse a dos Pods: no conviene que ambos
estén en el mismo nodo, donde un fallo dejaría la carga fuera de
servicio. Una restricción en la plantilla del Pod reparte las
réplicas entre zonas:

```yaml
topologySpreadConstraints:
    - maxSkew: 1
      topologyKey: topology.kubernetes.io/zone
      whenUnsatisfiable: DoNotSchedule
      labelSelector:
          matchLabels:
              app: booking
```

Con `DoNotSchedule`, el planificador deja un Pod sin programar antes
que situarlo donde el número de Pods entre zonas difiera en más de
uno. El mantenimiento planificado necesita otra protección. Un
PodDisruptionBudget limita cuántas réplicas de una aplicación pueden
estar caídas a la vez por interrupciones voluntarias. `kubectl
drain` respeta ese presupuesto porque pide a la Eviction API
desalojar cada Pod; eliminarlos directamente lo elude:

```yaml
apiVersion: policy/v1
kind: PodDisruptionBudget
metadata:
    name: booking-pdb
spec:
    maxUnavailable: 1
    selector:
        matchLabels:
            app: booking
```

La documentación recomienda `maxUnavailable` frente a `minAvailable`
porque se adapta automáticamente a los cambios en el número de
réplicas.

La base de datos es la capa más difícil porque conserva estado.
PostgreSQL puede mantener un servidor en espera en caliente (hot
standby), que acepta consultas de solo lectura, o uno en espera
templada (warm standby), que solo empieza a aceptar conexiones tras
promoverse. Elegir entre replicación síncrona y asíncrona es elegir
qué puede perder una conmutación. Con replicación síncrona, la
confirmación del commit espera al número configurado de servidores
síncronos en espera y al nivel de confirmación configurado. Los
ajustes `synchronous_standby_names` y `synchronous_commit` definen
esas condiciones. Una conmutación debe elegir un servidor en espera
que tenga los datos confirmados; uno asíncrono aún puede ir por
detrás. El precio de la primera es la velocidad: la documentación
señala que conexiones de red lentas pueden hacer que una
configuración totalmente síncrona pierda más de la mitad de su
rendimiento.

PostgreSQL no decide cuándo conmutar. Su documentación dice que no
proporciona software de sistema para detectar un principal averiado
y avisar al servidor en espera; esa tarea, junto con mover la
dirección IP, corresponde a software externo de clúster. La
promoción misma es un solo paso, `pg_ctl promote` o la función
`pg_promote()`. Lo que sigue es la parte que los planes olvidan. Sin
el principal antiguo, el clúster funciona con un servidor, lo que la
documentación llama un estado degenerado, hasta construir otro en
espera. La utilidad `pg_rewind` puede acelerar esa tarea en
clústeres grandes.

En este sitio, la entrada sobre correo con conmutación por error y
registro de entregas muestra el mismo patrón aplicado a una
dependencia externa. Tres proveedores de correo están detrás de una
interfaz; la conmutación es automática, en lugar de un cambio de
configuración bajo presión, y una comprobación de inicio envía un
mensaje real, de modo que preproducción y producción se niegan a
arrancar sin un proveedor que funcione. La entrada informa de que
una mala tarde de un proveedor ahora supone una vía degradada en vez
de una caída, a cambio de mantener tres integraciones en
funcionamiento. Cuánta disponibilidad necesita un sistema es una
decisión propia: la página de niveles de servicio explica que la
cifra se acuerda por separado para cada sistema, porque un informe
nocturno y un servicio de pagos requieren cifras distintas.

Dónde surgen los problemas

Redundancia con un destino compartido. Dos copias en un host, una
fuente de alimentación, un conmutador o una zona de nube fallan
juntas. Siga las dependencias de cada repuesto y reparta las
réplicas entre dominios de fallo deliberadamente, no por suerte.

Cerebro dividido. Si los nodos pierden contacto pero siguen
funcionando, cada lado puede decidir que el otro ha muerto y
arrancar el servicio por su cuenta. La documentación de Pacemaker
detalla el resultado: activar la misma IP en ambos hosts vuelve
impredecible el destino de los paquetes entrantes y, en una base de
datos, puede corromper los datos o hacerlos divergir. La protección
es el aislamiento del nodo fallido, también llamado STONITH (Shoot
The Other Node In The Head): un dispositivo de aislamiento, como un
interruptor de alimentación controlado por el clúster, desconecta el
nodo averiado antes de iniciar su trabajo en otro lugar. La
documentación establece que un clúster no puede recuperarse con
seguridad de un nodo que no responde sin ese mecanismo, y que el
dispositivo no debe depender de la propia red del clúster; de lo
contrario, perderla también elimina la forma de aislarlo.

Una conmutación que nadie ha probado. Un servidor en espera que
nunca se ha promovido es una esperanza, no un plan. Alterne los
roles según un calendario, como sugiere PostgreSQL, documente el
procedimiento y ensáyelo como la ingeniería del caos ensaya otros
fallos.

Olvidar el estado degenerado. Tras una conmutación no hay repuesto.
Si reconstruir el servidor en espera es lento o manual, el siguiente
fallo, por pequeño que sea, se convierte en una caída. Trate la
recuperación de la redundancia como parte del incidente, no como una
tarea para después.

Suponer que la replicación asíncrona no pierde nada. Puede perder
las últimas transacciones confirmadas antes del fallo. Decida para
cada base de datos si eso es aceptable y haga visible el compromiso
a los propietarios de los datos.

Confundir replicación con copia de seguridad. Un servidor en espera
copia un `DELETE` equivocado con la misma fidelidad que una
escritura correcta. La alta disponibilidad mantiene el servicio
activo; solo una copia de seguridad permite volver a los datos tal
como estaban.

Dos nodos y ningún árbitro. Pacemaker señala que perder un nodo por
un corte eléctrico parece lo mismo que perder la conexión de red con
él. Con dos miembros, cada lado ve exactamente eso. Kubernetes pide
al menos tres nodos de plano de control en su disposición apilada, y
PostgreSQL menciona un tercer servidor testigo que puede evitar
algunas conmutaciones incorrectas, pero advierte que la complejidad
adicional solo merece la pena con una configuración cuidadosa y
pruebas rigurosas.

Pagar por nueves que nadie puede ver. Cada nueve adicional cuesta
más que el anterior y los usuarios llegan al servicio a través de
redes y dispositivos menos fiables que el objetivo. Elija la cifra a
partir de las necesidades de usuarios y negocio y construya para
alcanzarla.

Lecturas adicionales

  * ClusterLabs — La pila de clústeres de alta disponibilidad de
código abierto, su definición de lo que coordina un clúster y por
qué necesita aislar nodos.

  * Alta disponibilidad, balanceo de carga y replicación — El
capítulo de PostgreSQL sobre servidores principales y en espera, y
sobre diseños síncronos y asíncronos y sus costes.

  * Conmutación por error — PostgreSQL sobre señales de vida,
servidores testigo, STONITH, promoción y estado degenerado.

  * Aislamiento de nodos — Pacemaker Explained sobre cerebro
dividido, dispositivos de aislamiento y su relación con el cuórum.

  * Aceptar el riesgo — El libro de SRE de Google sobre medir la
disponibilidad, el coste de cada nueve y elegir un objetivo.

  * Interrupciones — Interrupciones voluntarias e involuntarias en
Kubernetes y cómo las limita un PodDisruptionBudget.

hEsta página en la web	URL:https://engineer.company/es/glossary/high-availability/	engineer.company	70
