anti-plagiarism/docs/DR-HA.md

Отказоустойчивость и восстановление (HA / DR)

Актуальная топология: PostgreSQL на выделенном LXC 1.38, Redis на 1.35, RabbitMQ на 192.168.20.82, app+ES на 1.32. Это не docker-compose, поэтому HA для БД/кэша делается на уровне Proxmox/LXC, а не в этом репозитории.

1. Бэкапы (сделано)

pg_dump → gzip → MinIO backups/pg/, cron ежедневно 03:00 на 1.38, ротация 14 дней.

2. Проверка восстановимости (сделано — было слепой зоной)

Бэкап без проверенного восстановления = отсутствие бэкапа. Скрипт scripts/ops/pg_restore_verify.sh берёт последний дамп из MinIO, restore в эфемерный postgres:16 и проверяет ключевые таблицы. Прод не трогает.

bash scripts/ops/pg_restore_verify.sh            # креды из .env

Рекомендация: cron раз в неделю на 1.32, алерт (как в antiplag_monitor) при ненулевом коде.

3. HA PostgreSQL — потоковая репликация (требует новый LXC)

Провижн реплики — задача на Proxmox (нужен ещё один LXC, напр. 1.39). Шаги:

1. Primary (1.38) postgresql.conf: wal_level=replica, max_wal_senders=5, wal_keep_size=1GB; pg_hba.conf: строка replication для IP реплики.
2. Replica: pg_basebackup -h 1.38 -U replicator -D $PGDATA -R (создаёт standby.signal + primary_conninfo), затем старт — догоняет primary по WAL.
3. Failover: ручной pg_ctl promote на реплике + переключение POSTGRES_HOST в Infisical (окружение prod — не в .env на сервере напрямую, его перезапишет следующий деплой, см. ARCHITECTURE.md §10) и передеплой/рестарт сервисов (или автоматизация через Patroni + etcd — если нужен авто-failover).
4. Проверка лага: SELECT * FROM pg_stat_replication на primary.

4. HA Redis — реплика + Sentinel (требует новый LXC)

Redis у нас — кэш/rate-limits/LSH-индекс (префикс antiplag_lsh). Потеря = деградация, не потеря данных задач (они в PG). Если нужна устойчивость:

1. Второй Redis (реплика): replicaof 1.35 6379 + тот же requirepass.
2. 3× Sentinel (на app-хостах): sentinel monitor antiplag 1.35 6379 2, авто-переключение мастера.
3. Клиенты (Celery/кэш) → на Sentinel-aware подключение (redis.sentinel), либо оставить прямое подключение + ручной перевод REDIS_URL при аварии.

5. Единые точки отказа — статус

Компонент	SPOF	Митигация
PostgreSQL 1.38	да	бэкап+restore-тест ✅; реплика — §3 (нужен LXC)
Redis 1.35	да	graceful-фолбэк LSH в память ✅; реплика+Sentinel — §4
Векторный индекс	было	VECTOR_BACKEND=qdrant снимает (см. README) ✅
RabbitMQ .82	да	мониторинг ловит падение ✅; кластер — по потребности
app/ES 1.32	да	воркеры горизонтальны; ES single-node (для BM25 не критично)

6. Известный операционный риск — RabbitMQ consumer_timeout vs долгие таски

Обнаружено на практике (2026-08-26): RabbitMQ по умолчанию рвёт канал, если consumer не сделал ack за 1800с. Любой Celery-таск с retry-логикой (rate-limit backoff у парсеров, ожидание зависшего внешнего сервиса вроде Ollama), суммарно занимающий дольше — брокер обрывает соединение раньше, чем таск успевает сдаться и подтвердиться, весь Celery-процесс падает (exitCode=1), Docker (restart: unless-stopped) поднимает его заново, недоставленное сообщение передоставляется — и цикл повторяется бесконечно, монополизируя весь пул воркера (было и на worker-indexer из-за backoff scripts/parsers/openalex.py, и на worker-gpu из-за зависшей Ollama на embedding-gpu). Текущая митигация — держать retry-бэкоффы заведомо короче 1800с (пример: MAX_RATE_LIMIT_RETRIES в openalex.py). Более глубокий фикс — поднять consumer_timeout на самом RabbitMQ (доступа для этого пока не заводили) — актуально при добавлении любых новых долгих retry-циклов в Celery-тасках.