95d2903766
Обнаруженный на практике 26.08 краш-луп (долгий retry в Celery-таске дольше 1800с consumer_timeout → брокер рвёт канал → падение → бесконечный повтор) стоит знать при добавлении новых долгих retry-циклов. Заодно поправлена инструкция failover PostgreSQL — POSTGRES_HOST теперь меняется в Infisical, не в .env на сервере (перезапишется следующим деплоем).
74 lines
5.4 KiB
Markdown
74 lines
5.4 KiB
Markdown
# 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`](../scripts/ops/pg_restore_verify.sh) берёт
|
||
последний дамп из MinIO, restore в **эфемерный** `postgres:16` и проверяет ключевые
|
||
таблицы. Прод не трогает.
|
||
|
||
```bash
|
||
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.
|