导读

设计和构建多区域架构带来了新的挑战和最佳实践。在本次会议中，您将了解需要考虑的两个关键领域。首先，探讨不同的故障转移策略及其之间的权衡。然后，学习如何决定启动跨区域故障转移以及这个过程涉及的内容。最后，听取三星账户团队分享他们的多区域应用程序经验，以及他们如何看待这两个关键领域。参加本次会议后，您将更好地准备应对与您的多区域应用程序相关的这些关键挑战。

演讲精华

以下是小编为您整理的本次演讲的精华。

在不断演进的云计算领域，弹性和高可用性至关重要，亚马逊云科技 re:Invent 2024活动揭示了在亚马逊云科技上创建多区域架构的复杂艺术。由亚马逊云科技首席解决方案架构师Joe Chapman领衔，并与同事亚马逊云科技技术客户经理Son Jun Kim和三星电子DevOps负责人Jamie Kim一同出席的“在亚马逊云科技上创建多区域架构的最佳实践”会议，揭示了一系列见解和真实案例。

Joe Chapman首先介绍了四个已发布的亚马逊云科技多区域基础知识，这是构建有效多区域架构的基石。第一个基础知识深入探讨了可用性测量，这是一个关键方面，包括平均检测时间(MTTD)、平均恢复时间(MTTR)和平均故障间隔时间(MTBF)等指标。通过利用这些指标，组织可以提高可观察性，使用自动化服务(如EC2实例的自动修复或设置多AZ RDS数据库以实现自动故障转移)实现自动化，并减少故障频率，从而提高整体可用性。

第二个基础知识围绕理解数据展开，这是设计多区域架构时的一个关键考虑因素。Joe强调需要分析数据需求、数据引力和数据主权，以确定最合适的架构，确保符合监管要求(如金融服务或医疗保健等高度监管行业的要求)，并优化跨区域的数据移动和存储。

第三个基础知识关注于映射依赖关系，这个过程涉及识别组件和用户故事之间的硬依赖和软依赖。通过优先考虑这些依赖关系，组织可以就架构变更做出明智决策，并确保平稳过渡到多区域设置。

最后一个基础知识集中于运营准备情况，这是一个通过测试、可观察性和差异可观察性来持续改进运营的过程。Joe强调执行明确定义的目标、以受控方式测试故障转移流程以及通过差异可观察性等技术(如从应用程序服务器、用户体验和第三方合成监视器等多个视角进行监控)来全面了解应用程序的整体健康状况的重要性。

接下来，Son Jun Kim讨论了组织故障转移策略，提出了四种概括的方法:组件级故障转移、应用程序故障转移、依赖关系图故障转移和产品组合故障转移。每种策略都有其自身的优势和权衡，从灵活性和自主权到复杂性和性能影响不等。

Son Jun解决了一个关键问题:何时启动故障转移。他强调基于明确无歧义的指标(如错误率超过5%持续50分钟以上或延迟增加超过某个阈值一段时间)制定预先规划的故障转移决策树的重要性。他强调与业务连续性计划保持一致，并能够处理信息不完整的情况，例如指定的决策者不可用、缺少指标或正在发生亚马逊云科技服务事件但没有明确的恢复预计时间。在后一种情况下，组织应该从其边界恢复时间(业务可容忍的最长停机时间)反向推算。

Son Jun还介绍了恢复的最佳实践，包括在运行手册中明确列出场景、行动和负责人来宣布灾难;通信协议;详细的运行手册，其中指定了脚本、预期结果和每个步骤的负责方;以及在故障转移期间使用提升权限访问系统和服务的凭据管理。

为了说明恢复过程，Son Jun提供了一个假设的在线鞋店场景的恢复时间线示例。在此示例中，5分钟后，发现问题迹象，延迟增加且传入订单大幅下降，触发警报。接下来25分钟，第一响应人员尝试解决问题。30分钟后，领导层参与升级。35分钟时，根据影响和预定义的运行手册标准，领导宣布启动故障转移流程。40分钟时，使用自动化的依赖关系图故障转移策略开始故障转移，按正确顺序移动互连系统。最后，在55分钟时，故障转移完成，系统在辅助区域运行。在这个假设场景中，从检测到问题到完全恢复的总恢复时间为55分钟。

会议接着转向由三星电子的Jamin Kim介绍的真实案例研究。Jamin介绍了Samsung Account服务，这是三星生态系统的一个关键组成部分，连接了256个国家的60多项服务和应用程序，为18亿用户账户提供服务。鉴于服务的全球性质和巨大的流量量(来自设备、网络和相关服务器的高达227万次/秒的请求)，Samsung Account需要一个健壮的全球灾难恢复架构来克服区域故障。

Jamin详细介绍了Samsung Account跨越三个亚马逊云科技区域(欧盟、美国和亚太地区)的主动-主动架构。他解释了数据同步解决方案的实施，包括一个自主开发的同步管道(使用CDC和基于MSK的同步，每秒处理20万笔事务的Aurora DB)以及利用DynamoDB的原生全局表同步解决方案。DynamoDB和ElastiCache还用于支持数据和缓存，以提高基于CDN(最近迁移到CloudFront以确保高级别的灾难恢复)的网络服务(如Samsung.com和QR登录)的性能。

为了解决故障转移期间的流量路由问题，Samsung Account评估了两种方法:基于Amazon Global Accelerator的全局负载均衡器方法和基于DNS的方法。最终，他们选择了使用Route 53的基于DNS的方法，因为其运营成本较低且简单，并结合使用CloudFront以实现更快的流量切换和降低延迟。通过利用CloudFront的全球网络和分布在全球600多个PoP，Samsung Account将API传输的平均延迟时间减少了约70%。

Jamin还讨论了使用Application Recovery Controller (ARC)以确保在us-east-1区域发生Route 53控制平面问题时的可用性。该解决方案使用数据平面中预先配置的一组路由控制来通过其故障转移功能切换流量，为区域灾难恢复提供了一种健壮的机制。

此外，Samsung Account通过结合Route 53的基于地理位置的路由(支持单独为约256个国家指定记录设置)和CloudFront边缘位置，实现了地理区域路由架构。这种方法允许在故障转移场景下高效分配和管理流量，使Samsung Account能够优化资源配置并最小化过度配置成本。

为了验证全球灾难恢复架构，Samsung Account进行了功能测试，将总流量的2%通过全球灾难恢复系统，以尽早发现缺失的URL配置。负载测试分为两个阶段，分别为总流量的10%和50%，对超弹性组件(如服务EKS和DB)进行了大量压力测试。最后，在一个模拟ap-southeast-1区域发生故障的游戏日，来自一个区域的100%流量在几分钟内成功切换，以确保可用性。

Jamin强调了彻底规划和验证的重要性，以确保架构在实际生产环境中处理大量流量时的弹性。

Jamin最后强调了Samsung Account全面的监控系统，包括服务和基础设施错误监控(如API错误、突然流量下降、涉及EKS、数据库和缓存的基础设施故障事件)以及通过APM检测到的功能错误。还实施了端到端监控，包括针对各个国家和环境的核心功能(如登录和身份验证)的合成测试，以及基于特定国家的挫折信号和错误发生率的实际用户监控(RUM)指标。

这个监控系统与三层运营结构相结合，实现了更快的故障检测、决策制定和故障转移启动，从而提高了Samsung Account服务的弹性。通过增强可观察性，Samsung Account提高了第二层做出快速决策并立即启动故障转移的能力，无需第三层即可使用单个故障转移脚本，从而缩短了平均修复时间并最小化了平均检测时间。

在整个会议中，演讲者强调了利用亚马逊云科技基础设施、决定何时进行故障转移、选择正确的故障转移策略以及定期进行测试的重要性。三星电子的真实案例为实施一个面向关键任务服务的全球灾难恢复架构提供了宝贵见解，该服务在各种亚马逊云科技服务(如Amazon EKS、Aurora DB、DynamoDB、ElastiCache、CloudFront和Route 53)上处理大量流量，为数十亿用户账户提供服务。

我们正处在 Agentic AI 爆发前夜。 2025 亚马逊云科技中国峰会提出，企业要从 " 成本优化 " 转向 " 创新驱动 " ，通过完善的数据战略和 AI 云服务，把握全球化机遇。亚马逊将投入 1000 亿美元在 AI 算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在 AI 时代突破。