2026-11-18 23:26:12 k73游戏之家 作者:testai
机器挂过一次之后,很多人第一反应是再买一台备着,结果备用机放了半年,真出事那天发现数据是三个月前的,切过去照样不能用。多活和容灾听着像同一个词,实际做的事完全不同:一个求的是出事时业务不中断,一个求的是事后能找回数据。这篇按真实切换的顺序讲,把两地怎么分工、数据怎么同步、切换时最容易踩哪几个坑捋清楚,型号放到后面说。
多活指的是两台或多台机器同时对外提供服务,流量分摊,一台挂了另一台接着扛,用户基本无感。代价是数据要实时双向同步,写冲突的处理必须有明确规则,冲突规则没定清楚,两边的数据会越跑越乱,规则写进代码而不是靠人记,冲突字段限定在少数几列也能减少麻烦,同步机制选型别只看延迟数字,还要看断线之后能不能自动补,规则表放在文档首屏。
容灾指的是平时只有一台在跑,另一台待命,出事之后人工或自动切过去。要求是数据要持续复制到备用端,切换演练要真的做过,不然备用端能不能起来是个问号,很多方案就是死在这一步。
两者的成本差别很大。多活要处理同步延迟和冲突,应用层可能要改造;容灾改造少,但切换期间有中断,中断时间取决于切得多快,切得快的方案通常要额外投入,投入多少要看业务停一小时损失多少,算清楚再定方案,中断成本算高一点更保险,预算按年算而不是按月,硬件折旧按三年摊,换机时间也提前排进预算。
先弄清业务能容忍多久中断。容忍几分钟就上多活,容忍半小时以上做容灾更划算,别为了一个访问量不大的站硬上多活,维护成本比业务本身还高,规模不够的时候把容灾做扎实更实用,两台的方案往往比四台更靠得住,先跑通再谈优化,方案每半年复看一次。
数据库是同步的核心。主从复制在跨地域链路下会有延迟,写入高峰时延迟能到秒级甚至更久,读到旧数据的概率不低,读多写少的业务要接受这一点才算设计到位,对一致性要求高的查询干脆走主库,别图省事。
文件同步要按目录分级。上传素材、日志、备份目录的同步优先级完全不同,素材必须实时同步,日志可以延迟,备份本身就是在另一个地方存一份,不用再同步一遍,同步范围列成清单,加目录时同步更新清单。
同步链路要有监控。延迟突然拉长、复制中断、队列积压,这三种情况都要报警到人,光靠定时看监控面板迟早会漏,报警阈值按基线的两倍给,别照抄默认值,值班群里也要能看到。
冲突处理规则提前定。多活场景下两个机房同时写同一条记录,谁赢要写进规范,按时间戳、按机房优先级还是按业务字段,定完写进代码,别靠临时判断。
定期对比两边数据。抽样比对记录数和校验值,发现偏差早处理,等偏差积累到几百万行再修,人工核对基本不可能。
带宽要给同步链路留出来。跨地域复制吃带宽,业务流量和同步流量挤在同一条链路上,高峰期两边都慢,能走专线就尽量走专线。
同步失败要能重放。复制中断后从头再做一次全量,代价很大,有增量重放机制才能把中断影响降到最低,重放要以分钟为单位。
解析生效慢是最常见的一条。把解析改到备用机房,缓存没到期的地方还在访问旧地址,用户看到的是半新半旧两套数据,看起来像 bug 其实是缓存没刷,切换前把缓存时间调到零最省事,老缓存留在旧机房也不碍事,切完观察半小时再下线。
备用端配置不全。平时只备份了代码和数据,忘了改配置文件里的数据库地址、缓存地址、密钥、第三方回调地址,切过去之后首页能打开,登录和支付全挂,切换清单里把配置项逐条列出来,勾一条算一条,清单打印一份放桌上,切完逐项打勾再放流量。
证书和域名对不上。备用端用的是另一个域名或者证书没装全,切过去浏览器报警告,用户直接走掉一半,这种损失比停机本身还大,证书提前在备用端装好并验证通过,中间证书单独确认一遍,浏览器和手机都验一遍。
回切路径没准备。切过去发现有问题想切回来,配置改不回去或者数据已经单向写入了新机房,只能硬着头皮往前修,回切脚本和回切顺序提前写在文档里,回切前先冻结写入,回切演练也排进计划。
值班的人不知道步骤。文档写了但没人演练过,真出事时一边翻文档一边打电话,每一步都在浪费时间,切换窗口被拉长好几倍,值班表和决策人提前定好,遇事不推诿,夜里出事要有备班,交接记录写清楚时间点。
至少完整演练一次切换。挑一个低峰时段,按文档从头走一遍,记录每一步的实际耗时,包括解析生效等了多久、数据库切过去花了多少时间、应用起来后第一批请求是否正常。演练完把文档改到别人拿着就能照着做,演练中发现的问题当场补齐,别留到下一次。备用端的机器平时也要启动,长期关机的机器一开就各种问题,依赖装不全、证书过期、磁盘写满,全都是切过去之后才发现。
配置集中管理,回切路径提前写。配置文件和环境变量分开,切换只替换前者,别在十几台机器上手动改同一个值,改漏一台就是事故,配置变更走一次审核,两个人各自核对一遍。回切也要有明确步骤:先冻结写入,确认数据没有单向跑掉,再按相反顺序切回去,回切前后的数据差异留一句说明,事后查账有依据。回切脚本和顺序提前写在文档里,演练时一并走一遍。
值班信息和决策路径写清楚。谁负责决策、谁负责执行、出问题找谁,这些信息放进值班表而不是某个人的记忆里,节假日要有备班的人,夜里出事不能靠等。切换当天的沟通渠道提前定好,用群还是用电话,谁负责对外发通知,都写下来。演练结束写一份简短记录,耗时、卡点、改动项各列一条,下次演练直接拿这份记录改,比从零回忆省事得多,记录放在共享盘里,谁都能看。
最小可用是两地各一台。主站点跑业务,备站点平时跑同步和演练,不浪费也不至于空转,备站点也能承担一部分只读流量,平时让它跑一点真实请求,配置和依赖才会保持可用状态。
中等规模拆成三层。前面放负载和接入,中间跑应用,后面是数据库和存储,每层在两地各有一套,单层出问题不至于全站瘫掉,单层扩容不影响其他层。
数据库不要放在和应用同一台。资源竞争会让两边都慢,独立一台跑实例,备份和同步都在这台上做,出事时也方便单独处理,备份也放这台。
监控和告警独立一台。业务全挂了监控也跟着挂,等于什么都没看到,这台机器放在第三个位置更稳当。
机器之间的链路提前测。切换演练时顺便测一遍跨机房延迟和丢包,数字记下来,真出事时才知道哪些操作会慢,延迟和丢包的数字也写进文档,后面扩容按这个基线判断,每季度复测一次,跨机房带宽变化也跟着记。
具体买什么机型看两边规模怎么分。云途那台二十四核四十八线程的机型内存一百三十 G、两块固态加起来两 T、端口一 G 起步,做主站点跑应用加数据库余量都还在,适合两地方案里担主力;洛杉矶那台十 G 端口的机器适合做海外节点,带宽富余,跨洋同步和海外用户访问都不至于卡在出口上,两边按用途分工比两台一样配置更划算。