Objectifs de reprise
- Leçon 15
- 50 min
- Module 5 : Concevoir pour les défaillances et la croissance
Où nous en sommes
Dans la leçon précédente, nous avons trouvé que PostgreSQL est le point de défaillance unique, et que la haute disponibilité dépasserait le budget. La réponse est donc une restauration, mais à quelle vitesse, et combien de données récentes pouvons-nous perdre? Dans cette leçon, nous fixons ces deux objectifs et nous choisissons un plan de sauvegarde qui les respecte, comme un étudiant dont le portable tombe en panne à 23 h.
Leçon 15 sur 19 · Conception de systèmes d'IA et maîtrise des coûtsObjectifs de reprise
1. Commencer par les besoins
2. Concevoir l'architecture de bout en bout
3. Estimer les ressources et le coût
4. Optimiser avec des compromis mesurés
5. Concevoir pour les défaillances et la croissance
6. Présenter la proposition
Ce que vous saurez faire
Décidez combien de temps l’assistant peut rester indisponible après la perte de la base de données. Décidez aussi combien de données récentes il peut perdre. Choisissez ensuite un plan de sauvegarde qui respecte les deux objectifs, chiffres à l’appui. Utilisez la vitesse mesurée d’une restauration et une hypothèse pour le temps nécessaire aux personnes. Vous terminez par un plan de test de restauration. Seul un test transforme ces hypothèses en faits.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- La défaillance F6 et le point unique de défaillance, dans Scénarios de défaillance : le point de défaillance unique.
- Les attributs de qualité Q5 (auditabilité) et Q7 (reprise), dans Attributs de qualité.
- Ce que sont une sauvegarde et un exercice de restauration, dans Restauration et conservation du cours Bases de données et stockage pour les applications d’IA. Ces connaissances sont utiles, mais pas obligatoires.
Ce qu’il vous faut sur votre ordinateur
- Votre dossier
design-packde la leçon précédente, avecpython -m pytest -qqui affiche42 passed(42 tests réussis) et le fichierdecisions/failure-modes.md.
Vous ne restaurez pas de vraie base de données dans cette leçon. Testé avec Python 3.12 sur macOS (Apple silicon). Les commandes Windows (PowerShell) et Linux sont fournies, mais non testées.
Un portable tombe en panne à 23 h
Section intitulée « Un portable tombe en panne à 23 h »Un étudiant écrit une longue dissertation sur un portable. À 23 h, le portable s’arrête et ne redémarre plus. Deux questions comptent maintenant.
Combien de travail est perdu? Cela dépend de la dernière copie. Si l’étudiant copie sa dissertation sur une clé USB chaque nuit à 2 h, il perd 21 heures de travail. Si le traitement de texte enregistre dans le nuage toutes les 5 minutes, il perd seulement 5 minutes.
Quand l’étudiant pourra-t-il écrire de nouveau? Cela dépend d’autres étapes : trouver un deuxième ordinateur, se connecter, télécharger le fichier et vérifier qu’il s’ouvre. Peut-être une heure. Le téléchargement lui-même prend quelques secondes. La préparation des personnes et des machines occupe la majeure partie de cette heure.
La dissertation est à remettre demain à 9 h. L’étudiant a donc deux limites : « Je peux perdre au plus une heure de travail » et « Je dois reprendre l’écriture dans les deux heures ». La copie USB nocturne ne respecte pas la première limite, même si elle est rapide.
Le problème : la copie nocturne
Section intitulée « Le problème : la copie nocturne »Le premier plan de Mei vient du cours sur les bases de données : une exportation nocturne de la base vers le stockage de fichiers, à 2 h. C’est simple, et ça fonctionne.
Omar pose une question. « Supposons qu’on perde la base de données à 14 h pendant une journée chargée. Qu’est-ce qu’on perd? »
Tout ce qui date d’après 2 h. Cela comprend chaque question, réponse et téléversement de la matinée, avec leurs enregistrements d’audit. Dans le scénario de base, les magasins posent 1 465 questions par jour. Une mauvaise journée peut donc coûter une journée entière de réponses. Q5 exige de conserver chaque réponse pendant un an, avec sa question, ses citations et les versions des documents. Une seule défaillance peut faire enfreindre Q5 avec une exportation nocturne, même si la restauration est rapide.
Le plan présente une deuxième lacune. Personne ne sait combien de temps prend une restauration, car personne n’en a essayé une avec cette conception. « C’est un service géré » n’est pas une durée.
L’idée : deux objectifs, RTO et RPO
Section intitulée « L’idée : deux objectifs, RTO et RPO »Chaque lacune a un nom et un objectif.
- Le RPO, l’objectif de point de reprise, indique combien de données récentes vous pouvez perdre, exprimé en temps. Le « point de reprise » est le moment auquel vous revenez : la dernière copie. Un RPO de 60 minutes signifie que « la dernière copie ne date jamais de plus de 60 minutes ».
- Le RTO, l’objectif de délai de reprise, indique combien de temps le service peut rester indisponible. Il commence à la défaillance et se termine quand le service fonctionne de nouveau et qu’une personne l’a vérifié.
Q7, dans les exigences du dossier, fixe les deux objectifs convenus par Omar et Mei. Le RTO est de 240 minutes : le service revient en moins de 4 heures. Le RPO est de 60 minutes : au plus 1 heure de nouvelles données perdues.
Description textuelle du diagramme
Une ligne du temps va de gauche à droite. À gauche se trouve la dernière copie restaurable. Entre cette copie et la défaillance à 14 h se trouve le RPO : les données écrites pendant cette période sont perdues. Après la défaillance vient le RTO : l’assistant reste indisponible jusqu’à son retour en ligne et sa vérification. Deux notes accompagnent la dernière copie. Une exportation nocturne à 2 h perd 12 heures ce jour-là, et jusqu’à 24 heures. Une restauration à un instant précis perd environ 5 minutes. Cette valeur vient de la documentation du fournisseur et l’équipe doit la tester. Une note à droite donne les objectifs de Q7 : RPO de 60 minutes et RTO de 240 minutes.
Un service PostgreSQL géré offre un deuxième type de sauvegarde : la restauration à un instant précis. Le service conserve des copies et le journal des modifications de la base de données. Vous pouvez donc choisir n’importe quel moment dans la période de conservation, comme « 14 h moins 5 minutes ». La restauration crée un nouveau serveur avec les données de ce moment. La documentation du fournisseur décrit un RPO de quelques minutes. Le dossier utilise 5 minutes comme hypothèse, avec une plage de 1 à 15. La justification précise : « tester avant de promettre ».
Un petit exemple : le délai de reprise, étape par étape
Section intitulée « Un petit exemple : le délai de reprise, étape par étape »Le délai de reprise est la somme des étapes. Voici le scénario de base, avec toutes les valeurs visibles. Les durées des étapes sont les hypothèses du dossier; la vitesse de copie est mesurée.
- Détecter : l’alerte de disponibilité se déclenche : 15 minutes (hypothèse).
- Décider : Mei confirme la perte et décide de restaurer : 15 minutes (hypothèse).
- Nouveau serveur : le service crée le serveur restauré : 20 minutes (hypothèse; la documentation ne donne aucune durée fixe).
- Copier les données : après 12 mois, la base de données contient environ 339 Mo. C’est le scénario de base du dossier, avec les quatre magasins des hypothèses de croissance. Le cours sur les bases de données a restauré 316 Mo en 7,9 s sur un portable, soit environ 40 Mo par seconde (mesuré). Donc 339 ÷ 40 = 8,5 secondes, ou 0,14 minute.
- Vérifier : nombre de lignes par locataire et une question de test par locataire : 20 minutes (hypothèse).
Total : 15 + 15 + 20 + 0,14 + 20 = 70 minutes. La copie des données représente 0,2 % du total.
Description textuelle du graphique
Un diagramme à cinq colonnes. Détecter : 15 minutes. Décider : 15 minutes. Serveur, un nouveau serveur : 20 minutes. Copier, la copie des données : 0,14 minute, trop petite pour être visible. Vérifier : 20 minutes. Le total est d’environ 70 minutes. Seule la copie est mesurée; les quatre autres colonnes sont des hypothèses.
C’est la principale leçon du graphique. Un format de sauvegarde plus rapide ou un disque plus gros modifierait la plus petite colonne. Pour raccourcir la reprise, réduisez le temps nécessaire aux personnes. Prévoyez une alerte plus rapide, une liste de vérification écrite et une personne qui l’a déjà fait.
Larkfield : deux plans de sauvegarde dans le dossier
Section intitulée « Larkfield : deux plans de sauvegarde dans le dossier »Le dossier de conception compare les deux plans aux objectifs de Q7. Le délai de reprise est le même, car les deux plans restaurent sur un nouveau serveur. La perte de données diffère.
Exercice guidé : la reprise dans le dossier
Section intitulée « Exercice guidé : la reprise dans le dossier »-
Dans votre dossier
design-pack, avec l’environnement activé, demandez la nouvelle commande :Fenêtre de terminal python -m costmodel recoveryThis command arrives in Module 5. Download the end-of-module-5 snapshot or keep going. -
Copiez le code de reprise et le fichier de conception du module depuis l’instantané
end-of-m05.Fenêtre de terminal S=../nextia-learning-labs/C26/snapshots/end-of-m05cp "$S/costmodel/recovery.py" costmodel/cp "$S/design.toml" .Fenêtre de terminal $S = "..\nextia-learning-labs\C26\snapshots\end-of-m05"Copy-Item "$S\costmodel\recovery.py" costmodel\Copy-Item "$S\design.toml" .Le nouveau
design.tomlreprend l’ancien avec deux sections ajoutées à la fin :[recovery]pour cette leçon et[growth]pour la suivante. -
Ouvrez
design.tomlet trouvez[recovery]. Les deux objectifs sont des valeurs simples tirées de Q7. Les cinq durées d’étapes sont des plages (basse, de base, haute).[recovery.evidence]donne une justification pour chacune, qui commence parassumed:(supposé).[recovery] # Module 5, lesson 2rto_target_minutes = 240 # from requirements.md: back within 4 hoursrpo_target_minutes = 60 # from requirements.md: lose at most 1 hour of new datadetect_minutes = [5, 15, 60]decide_minutes = [5, 15, 30]new_server_minutes = [10, 20, 60]check_minutes = [10, 20, 40]point_in_time_rpo_minutes = [1, 5, 15] -
Comparez les deux plans dans le scénario de base :
Fenêtre de terminal python -m costmodel recoveryRecovery (base): targets RTO 240 min, RPO 60 min; database 339 MB restores in about 8.5 s (measured rate, a laptop)plan RPO min RTO min meets both?nightly dump to file storage 1,440 70 no (RPO)managed point-in-time restore 5 70 yesMost of the recovery time is people and a new server, not copying data. Test the restore to know.La première ligne correspond au petit exemple : 339 Mo en 8,5 s. Le RPO de l’exportation nocturne est de 24 heures (1 440 minutes), le pire cas.
-
Examinez le scénario haut. Il utilise la valeur haute de chaque hypothèse en même temps : base plus grosse, alerte nocturne lente, serveur lent.
Fenêtre de terminal python -m costmodel recovery --scenario highRecovery (high): targets RTO 240 min, RPO 60 min; database 2,038 MB restores in about 50.9 s (measured rate, a laptop)plan RPO min RTO min meets both?nightly dump to file storage 1,440 191 no (RPO)managed point-in-time restore 15 191 yesMost of the recovery time is people and a new server, not copying data. Test the restore to know.Six fois plus de données ajoutent moins d’une minute. Les personnes et le serveur ajoutent deux heures.
-
Posez une question « et si ». Supposons que le premier test de restauration crée un nouveau serveur en 3 heures, plutôt qu’en 20 minutes. Dans
design.toml, modifiez une ligne :new_server_minutes = [10, 180, 240]Exécutez de nouveau le scénario de base et le scénario haut :
Fenêtre de terminal python -m costmodel recoveryRecovery (base): targets RTO 240 min, RPO 60 min; database 339 MB restores in about 8.5 s (measured rate, a laptop)plan RPO min RTO min meets both?nightly dump to file storage 1,440 230 no (RPO)managed point-in-time restore 5 230 yesMost of the recovery time is people and a new server, not copying data. Test the restore to know.Fenêtre de terminal python -m costmodel recovery --scenario highRecovery (high): targets RTO 240 min, RPO 60 min; database 2,038 MB restores in about 50.9 s (measured rate, a laptop)plan RPO min RTO min meets both?nightly dump to file storage 1,440 371 no (RPO, RTO)managed point-in-time restore 15 371 no (RTO)Most of the recovery time is people and a new server, not copying data. Test the restore to know.Le scénario de base respecte encore l’objectif, avec 10 minutes de marge. Le scénario haut dépasse le RTO. Une seule étape inconnue détermine le résultat; le plan doit donc la mesurer. Remettez la ligne à
[10, 20, 60]. -
Exécutez les tests :
Fenêtre de terminal python -m pytest -q.......................................... [100%]42 passed in 0.07sLes nouveaux tests du module arrivent avec le code de croissance dans la prochaine leçon. Un même fichier de tests vérifie les deux.
Lire le résultat
Section intitulée « Lire le résultat »L’exportation nocturne ne respecte pas Q7, à cause du RPO, et non du délai de reprise. Sa restauration prend les mêmes 70 minutes que l’autre plan. Mais elle peut perdre 1 440 minutes de réponses, soit 24 fois l’objectif.
La restauration à un instant précis respecte Q7 sur papier. Son RPO de 5 minutes est bien inférieur à 60, et son RTO de 70 minutes est bien inférieur à 240. Même le scénario haut, à 191 minutes, respecte l’objectif. Mais deux valeurs ne sont pas mesurées : le RPO de 5 minutes vient de la documentation, et les 20 minutes du serveur sont une estimation. La dernière ligne de la sortie indique quoi faire : « Testez la restauration pour le savoir. »
Le coût. La restauration à un instant précis est comprise dans le prix du serveur géré. La grille tarifaire facture aussi le stockage des sauvegardes au-delà de 100 % du stockage provisionné. La conception utilise environ 1 % de ses 32 Go; la ligne des sauvegardes du dossier est donc de 0,00 $ US. La décision est une restauration à un instant précis, testée chaque trimestre. Kwame la consigne dans Décisions d’architecture.
Ce que la restauration ne récupère pas. La restauration de la base de données récupère les lignes, pas les fichiers du stockage de fichiers. Les fichiers ont besoin de leur propre protection : suppression réversible et versions. C’était la septième défaillance de la leçon précédente.
Planifier un test de restauration
Section intitulée « Planifier un test de restauration »Une sauvegarde que personne n’a restaurée est un espoir, pas un plan. Le cours sur les bases de données l’a montré avec un exercice. Un test de restauration restaure la vraie sauvegarde sur un nouveau serveur, la vérifie et consigne la durée de chaque étape. La conception prévoit le test avec une personne responsable et une date pour chaque trimestre.
Description textuelle du diagramme
Étape 1 : choisissez le moment à restaurer et notez-le, par exemple « restaurer à 10 h 15 ». Étape 2 : restaurez la sauvegarde sur un nouveau serveur pendant que le serveur en production continue de fonctionner. Étape 3 : vérifiez les données restaurées. Vérifiez le nombre de lignes par locataire, l’heure de la réponse la plus récente et une question de test par locataire. Étape 4 : consignez les minutes réelles de chaque étape et la quantité de données perdues. C’est l’écart entre 10 h 15 et la réponse la plus récente trouvée. Décidez ensuite : les durées respectent-elles le RTO de 240 minutes et le RPO de 60 minutes? Si oui, inscrivez les durées réelles dans design.toml et supprimez le serveur de test. Sinon, modifiez le plan et testez de nouveau.
Trois détails rendent le test utile :
- La réponse la plus récente mesure le RPO. Si vous restaurez à 10 h 15 et que la réponse la plus récente date de 10 h 11, la perte réelle est de 4 minutes.
- Un chronomètre mesure le RTO. Notez l’heure de début de chaque étape. Les hypothèses du dossier deviennent alors des valeurs mesurées, avec la date du test comme source.
- La personne change. Mei effectue le premier test, et Kwame, son remplaçant, effectue le deuxième. Un plan qu’une seule personne peut suivre est un autre point unique de défaillance.
Le coût du test. Le serveur de test fonctionne pendant quelques heures. Un B1ms coûte 0,0185 $ US l’heure. Ainsi, 3 heures coûtent environ 0,06 $ US au prix courant. Le temps des personnes figure déjà dans le dossier. Dans Construire ou acheter, l’hypothèse de main-d’œuvre de la base gérée prévoit 1 heure par mois pour lire les alertes et tester une restauration. C’est plus que nécessaire pour un test par trimestre.
Quand fixer le RTO et le RPO, et leur coût
Section intitulée « Quand fixer le RTO et le RPO, et leur coût »Fixez-les pour chaque stockage contenant des données impossibles à reconstruire : ici, la base avec ses réponses et ses enregistrements d’audit. Consultez les responsables d’affaires, pas seulement les ingénieurs. Omar connaît le coût d’une heure de réponses perdues pour les magasins; Mei sait ce qu’exige une restauration.
Ne les fixez pas pour les données que vous pouvez reconstruire. Les segments et les vecteurs viennent des fichiers : le processus peut les recréer. Le cache de réponses peut être vide après une restauration sans aucune perte. Seules les réponses trouvées dans le cache manqueront pendant un certain temps.
Le coût d’objectifs plus stricts. Chaque réduction coûte plus cher. Un RPO de quelques minutes est inclus dans le service géré. Un RPO proche de zéro ou un RTO de quelques secondes exige une haute disponibilité. Cela représente environ 288,50 $ US par mois de calcul, comme l’a montré la leçon précédente. Notez l’objectif dont l’entreprise a besoin, puis trouvez le plan le moins cher qui le respecte.
Erreurs courantes
Section intitulée « Erreurs courantes »Erreur courante
Le code sans son fichier de conception
Symptôme : vous avez copié recovery.py, mais pas design.toml, et python -m costmodel recovery affiche :
Input problem: design.toml has no [recovery] section (Module 5, lesson 2)Cause : le calculateur lit les objectifs et les durées des étapes dans design.toml. Votre fichier est encore celui du module 4.
Solution : copiez design.toml depuis l’instantané end-of-m05, comme l’indique l’étape 2.
Erreur courante
Un RPO copié de la documentation dans un contrat
Symptôme : Omar promet à Bramble Books « au plus 5 minutes de données perdues ». Lors de la première vraie restauration, l’écart est de 12 minutes.
Cause : les 5 minutes étaient une hypothèse tirée de la documentation du fournisseur, jamais testée avec cette conception.
Solution : promettez l’objectif de Q7 (60 minutes), que le plan respecte avec une marge. Mesurez le RPO réel dans le test de restauration avant de promettre une limite plus stricte.
Réinitialisation. Si votre dossier ne fonctionne plus, copiez l’instantané end-of-m04 comme l’indique le README des instantanés. Reprenez ensuite les étapes de ce module.
À vous de jouer : une promesse plus stricte
Section intitulée « À vous de jouer : une promesse plus stricte »Ines demande une promesse plus forte : « Bramble Books peut perdre au plus 1 minute de données. » Dans design.toml, changez rpo_target_minutes à 1, puis exécutez python -m costmodel recovery. Écrivez deux phrases pour Ines : ce que le plan peut promettre et le coût d’une promesse de 1 minute. Remettez l’objectif à 60 quand vous avez terminé.
Afficher une solution détaillée
Recovery (base): targets RTO 240 min, RPO 1 min; database 339 MB restores in about 8.5 s (measured rate, a laptop) plan RPO min RTO min meets both? nightly dump to file storage 1,440 70 no (RPO) managed point-in-time restore 5 70 no (RPO)Most of the recovery time is people and a new server, not copying data. Test the restore to know.Les deux plans échouent maintenant sur le RPO. Pour Ines : « Notre plan perd au plus environ 5 minutes de données. Cette valeur vient de la documentation du fournisseur et nous la testons chaque trimestre. Nous promettons 60 minutes, que nous respectons avec une marge. Une promesse de 1 minute exige un serveur de secours, soit environ 288,50 $ US par mois de calcul, contre 13,50 $ US aujourd’hui. C’est plus que le budget total de 150 $ US pour tous les magasins. »
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Expliquez le RTO et le RPO en une phrase chacun. Lequel une copie nocturne ne respecte-t-elle pas selon les cibles du dossier?
Afficher la réponse
Le RTO, l’objectif de temps de reprise, est la durée d’arrêt permise après une défaillance, jusqu’au rétablissement et à la vérification du service. Le RPO, l’objectif de point de reprise, est la quantité de données récentes que vous pouvez perdre, exprimée en temps depuis la dernière copie. Une copie nocturne ne respecte pas le RPO : elle peut perdre 1 440 minutes de données, contre une cible de 60. Son temps de reprise, environ 70 minutes, respecte le RTO de 240.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Prédisez : après 12 mois, la base de données atteint dix fois la taille du scénario de base. De combien environ le temps de reprise augmente-t-il? Utilisez la vitesse de restauration mesurée.
Afficher la réponse
D’environ une minute. Dix fois 339 Mo donne environ 3 390 Mo. À 40 Mo par seconde, la copie prend environ 85 secondes au lieu de 8,5 : 76 secondes de plus. Le temps de reprise passe d’environ 70 à environ 71 minutes. Les délais liés aux personnes et au nouveau serveur, soit environ 70 minutes selon les hypothèses, ne changent pas avec la taille.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Mei dit : « Nous avons la restauration à un instant précis, donc nous avons terminé. » Que manque-t-il, et comment l'équipe l'obtient-elle?
Afficher la réponse
Des mesures. Le RPO de 5 minutes vient de la documentation du fournisseur. Les 20 minutes pour le nouveau serveur et les délais liés aux personnes sont des hypothèses. Personne n’a encore effectué de restauration avec cette conception. L’équipe doit faire un test de restauration chaque trimestre. Elle restaure les données à un instant choisi sur un nouveau serveur, puis les vérifie. Elle note le temps réel de chaque étape et la quantité réelle de données perdues. Ensuite, elle inscrit les valeurs mesurées dans design.toml. De plus, la restauration de la base de données ne récupère pas les fichiers. Il faut donc les protéger séparément.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Le RTO est la durée d’arrêt permise du service; le RPO est la quantité de données récentes qu’on peut perdre, exprimée en temps. Q7 fixe le RTO à 240 minutes et le RPO à 60 minutes.
- Le temps de reprise est une somme : détecter, décider, obtenir un nouveau serveur, copier les données, vérifier. Scénario de base : 15 + 15 + 20 + 0,14 + 20 = environ 70 minutes. Seule la copie est mesurée (339 Mo à environ 40 Mo par seconde : 8,5 s).
- Une copie nocturne ne respecte pas le RPO de Q7 (1 440 minutes). Une restauration à un instant précis le respecte sur papier : RPO de 5 minutes, une hypothèse tirée de la documentation.
- Une seule étape inconnue peut déterminer le résultat : un serveur prêt en 3 h respecte encore le RTO du scénario de base, mais pas celui du scénario élevé.
- Un test de restauration chaque trimestre transforme les hypothèses en mesures, avec une deuxième personne, pour environ 0,06 $ US d’utilisation du serveur.
python -m pytest -qaffiche42 passed(42 tests réussis).
Ensuite, vous planifiez la croissance de la conception avec des signaux et des seuils, au lieu de deviner sa forme finale.
Leçon suivante : Plan de croissance