Disaster recovery στο AWS για startups: RPO, RTO και ένα σχέδιο που δοκιμάζεται

· 10 λεπτά ανάγνωσης · aws · reliability

Οι περισσότερες startups δεν χρειάζονται δεύτερο ενεργό region. Χρειάζονται backups που δεν μπορεί να σβήσει ένας επιτιθέμενος, ένα restore που έχουν χρονομετρήσει και ένα γραπτό σχέδιο. Δείτε πώς το στήνουμε στο AWS.

Το AWS περιγράφει τέσσερις στρατηγικές disaster recovery: backup and restore, pilot light, warm standby και multi-site active/active. Κάθε βήμα κοστίζει περισσότερο και είναι πιο σύνθετο, με αντάλλαγμα πιο γρήγορη ανάκαμψη. Για τις περισσότερες startups η σωστή απάντηση είναι ένα backup and restore φτιαγμένο σωστά: Multi-AZ μέσα στο ίδιο region, αμετάβλητα backups αντιγραμμένα σε ξεχωριστό account και region, και ένα restore που δοκιμάζετε τακτικά. Το pilot light αξίζει μόνο για τα ένα-δύο συστήματα όπου μερικές ώρες εκτός λειτουργίας θα σας πονούσαν πραγματικά.

Παρακάτω είναι η σειρά με την οποία δουλεύουμε: ορίζουμε RPO και RTO ανά σύστημα, διαλέγουμε στρατηγική για το καθένα, στήνουμε τα backups, αποδεικνύουμε ότι γίνονται restore και τα γράφουμε όλα σε μία σελίδα.

RPO και RTO: ανά σύστημα, όχι ανά εταιρεία

Το RPO (recovery point objective) είναι πόσα δεδομένα αντέχετε να χάσετε, μετρημένα σε χρόνο. Το RTO (recovery time objective) είναι πόση ώρα μπορεί να μείνει ένα σύστημα εκτός πριν πονέσει σοβαρά η επιχείρηση. Ορίστε τα ανά σύστημα: η βάση των πληρωμών σας και τα εσωτερικά analytics δεν δικαιούνται τον ίδιο προϋπολογισμό.

Αρκεί ένα σύντομο workshop με τους founders και τον tech lead. Για κάθε σύστημα ρωτήστε: τι χαλάει για τους πελάτες αν πέσει, τι κοστίζει μία ώρα χαμένων εγγραφών (επιστροφές χρημάτων, ξαναπέρασμα δεδομένων, νομική έκθεση) και ποιος θα το καταλάβει πρώτος. Μετά βάλτε κάθε σύστημα σε μία από τρεις κατηγορίες.

TierΤυπικά συστήματαΑρχικό RPO / RTOΣυνήθης στρατηγική
Tier 1Κεντρική transactional βάση, auth, ροή πληρωμώνΛεπτά / κάτω από μία ώραMulti-AZ και point-in-time recovery· pilot light σε δεύτερο region αν σας αφορά η πτώση region
Tier 2Κύρια εφαρμογή, APIs, background workersΏρες / λίγες ώρεςBackup and restore, infrastructure as code έτοιμο για redeploy
Tier 3Analytics, εσωτερικά εργαλεία, stagingΜία μέρα / μία μέρα ή παραπάνωΗμερήσια backups, restore όταν χρειαστεί

Είναι αφετηρίες για συζήτηση, όχι πρότυπα. Αυτό που μετράει είναι οι αριθμοί να είναι γραμμένοι, εγκεκριμένοι από τη διοίκηση και μετά δοκιμασμένοι. Ένα RTO που δεν έχει μετρήσει κανείς είναι απλώς μια εκτίμηση.

Οι τέσσερις στρατηγικές disaster recovery του AWS

Το whitepaper του AWS για το disaster recovery κατατάσσει τις στρατηγικές από τη φθηνότερη και πιο αργή μέχρι την ακριβότερη και πιο γρήγορη. Η δική του σύνοψη δίνει ανάκαμψη σε ώρες για το backup and restore, σε δεκάδες λεπτά για το pilot light, σε λεπτά για το warm standby και σχεδόν σε πραγματικό χρόνο για το active/active.

ΣτρατηγικήΤι τρέχει στο recovery regionRPO / RTO (whitepaper AWS)Πότε ταιριάζει σε startup
Backup and restoreΤίποτα· τα backups αντιγράφονται εκεί και η υποδομή ξαναστήνεται από κώδικαΏρεςΗ προεπιλογή για σχεδόν τα πάντα
Pilot lightΤα δεδομένα αντιγράφονται συνεχώς (π.χ. cross-region read replica του RDS)· οι app servers είναι ορισμένοι αλλά όχι deployedΔεκάδες λεπτάΒάσεις tier 1, όταν πρέπει να επιβιώσετε από πτώση region
Warm standbyΈνα μικρότερο αλλά λειτουργικό αντίγραφο του production που δέχεται κίνηση αμέσωςΛεπτάΣπάνιο σε seed ή Series A· συνήθως το ζητάει κάποιο συμβόλαιο πελάτη
Multi-site active/activeΠλήρες production σε δύο ή περισσότερα regions, όλα με κίνησηΣχεδόν πραγματικός χρόνοςΣχεδόν ποτέ δεν αξίζει τη δουλειά συνέπειας δεδομένων για μικρή ομάδα

Δύο σημεία του whitepaper αλλάζουν τον τρόπο που πρέπει να το σκέφτεστε. Πρώτον, για τις περισσότερες startups η καταστροφή δεν είναι ένα region που σβήνει. Είναι ένα table που διαγράφηκε, ένα migration που πήγε στραβά, ένας παραβιασμένος admin λογαριασμός ή ransomware. Η αναπαραγωγή (replication) δεν σας προστατεύει εκεί, γιατί αναπαράγει πιστά και τη διαγραφή· μόνο τα point-in-time backups σας σώζουν. Δεύτερον, το whitepaper λέει ότι αν η καταστροφή για εσάς είναι η απώλεια ενός data center, ένα σωστά σχεδιασμένο Multi-AZ workload με backup and restore μπορεί να αρκεί. Το pilot light και τα επόμενα είναι για όταν σας αφορά ολόκληρο region ή κάποια ρυθμιστική αρχή.

Όποια στρατηγική κι αν διαλέξετε, δουλεύει μόνο αν η υποδομή είναι κώδικας. Αν επαναφέρετε δεδομένα σε ένα region όπου δεν μπορείτε να ξαναστήσετε VPC, load balancer και services μέσα σε μία ώρα, το RTO σας έχει ήδη χαθεί. Ο οδηγός μας για την οργάνωση του Terraform state δείχνει τη δομή που κάνει το deploy σε δεύτερο region αλλαγή μίας μεταβλητής και όχι ολόκληρο project.

AWS Backup: cross-account αντίγραφα και vault lock

Κρατήστε τα backups σε ξεχωριστό AWS account που δεν αγγίζουν οι admins του production, αντιγράψτε τα σε δεύτερο region και κλειδώστε το vault ώστε να μην μπορεί να τα σβήσει κανείς νωρίτερα. Αυτή η μία αλλαγή καλύπτει τα σενάρια που πραγματικά ρίχνουν τις startups: παραβίαση account και ανθρώπινο λάθος.

Σε ένα AWS Organization το στήσιμο είναι το εξής (αν δεν έχετε ακόμα, ξεκινήστε από το AWS Organizations από την πρώτη μέρα):

  1. Από το management account ενεργοποιήστε το cross-account backup στις ρυθμίσεις του AWS Backup. Και τα δύο accounts πρέπει να ανήκουν στο ίδιο organization (τεκμηρίωση AWS).
  2. Σε ένα αποκλειστικό backup account, δημιουργήστε vault στο recovery region με customer managed KMS key και vault access policy που επιτρέπει backup:CopyIntoBackupVault από το organization σας. Το default vault δεν μπορεί να είναι προορισμός cross-account, και τα αντίγραφα RDS χρειάζονται customer managed key, γιατί τα AWS managed keys δεν μοιράζονται μεταξύ accounts.
  3. Στο production, προσθέστε ένα copy_action στο backup plan με στόχο αυτό το vault. Το RDS και το Aurora υποστηρίζουν πλέον αντιγραφή cross-region και cross-account σε μία κίνηση.
  4. Βάλτε ένα SCP που απαγορεύει το organizations:LeaveOrganization στο backup account, όπως προτείνει το AWS, ώστε τα αντίγραφα να μην μπορούν να «φύγουν» μαζί του.
resource "aws_backup_plan" "prod" {
  name = "prod"

  # Point-in-time recovery για RDS, έως 35 ημέρες
  rule {
    rule_name                = "continuous"
    target_vault_name        = aws_backup_vault.prod.name
    schedule                 = "cron(0 3 * * ? *)"
    enable_continuous_backup = true

    lifecycle {
      delete_after = 35
    }
  }

  # Ημερήσιο snapshot, αντίγραφο στο backup account σε άλλο region
  rule {
    rule_name         = "daily-offsite"
    target_vault_name = aws_backup_vault.prod.name
    schedule          = "cron(0 4 * * ? *)"

    lifecycle {
      delete_after = 35
    }

    copy_action {
      destination_vault_arn = var.backup_account_vault_arn

      lifecycle {
        delete_after = 90
      }
    }
  }
}

resource "aws_backup_selection" "prod" {
  name         = "prod-tagged"
  plan_id      = aws_backup_plan.prod.id
  iam_role_arn = aws_iam_role.backup.arn

  selection_tag {
    type  = "STRINGEQUALS"
    key   = "backup"
    value = "prod"
  }
}

# Στο backup account, στο vault προορισμού
resource "aws_backup_vault_lock_configuration" "offsite" {
  backup_vault_name   = aws_backup_vault.offsite.name
  changeable_for_days = 3
  min_retention_days  = 7
  max_retention_days  = 365
}

Τρεις λεπτομέρειες που παγιδεύουν τις ομάδες:

Αν θέλετε το restore να ξεκινάει γρήγορα από άλλο account, δείτε τα logically air-gapped vaults: είναι κλειδωμένα σε compliance mode εξ ορισμού και μοιράζονται με ένα recovery account μέσω AWS RAM. Ελέγξτε πρώτα τη λίστα υποστηριζόμενων πόρων· τα continuous backups του Aurora, για παράδειγμα, δεν υποστηρίζονται εκεί.

RDS snapshots και point-in-time recovery

Τα automated backups του RDS σας δίνουν point-in-time recovery έως 35 ημέρες πίσω, και το restore δημιουργεί πάντα νέο DB instance. Αυτό το δεύτερο είναι που πρέπει να σχεδιάσετε: η εφαρμογή σας πρέπει να μπορεί να γυρίσει γρήγορα σε νέο endpoint.

aws rds restore-db-instance-to-point-in-time \
  --source-db-instance-identifier prod-db \
  --target-db-instance-identifier prod-db-restore-20261101 \
  --restore-time 2026-11-01T09:14:00Z \
  --db-parameter-group-name prod-postgres17 \
  --db-subnet-group-name prod-db \
  --vpc-security-group-ids sg-0123456789abcdef0 \
  --no-publicly-accessible

Κρατήστε το endpoint της βάσης πίσω από ένα όνομα που ελέγχετε εσείς (ένα private Route 53 record ή ένα secret που διαβάζουν τα services στην εκκίνηση), ώστε η αλλαγή να είναι μία κίνηση και όχι redeploy όλων των services.

Restore testing: αφήστε το AWS Backup να αποδείξει ότι τα backups δουλεύουν

Το restore testing του AWS Backup επαναφέρει ένα recovery point με πρόγραμμα, καταγράφει πόσο χρόνο πήρε και σβήνει μετά τον πόρο. Μετατρέπει το «νομίζουμε ότι τα backups δουλεύουν» σε απόδειξη με ημερομηνία.

Ένα plan διαλέγει recovery points (το πιο πρόσφατο ή τυχαίο, μέσα σε παράθυρο έως 365 ημερών)· ένα selection ορίζει ποιους τύπους και ποιους πόρους θα επαναφέρει. Υποστηρίζονται, μεταξύ άλλων, RDS, Aurora, DynamoDB, EBS, EC2, EFS και S3. Μπορείτε να κρατήσετε τον πόρο από 1 έως 168 ώρες ώστε ένα script να τον ελέγξει και να στείλει το αποτέλεσμα πίσω στο AWS Backup. Οι πόροι του τεστ έχουν το tag awsbackup-restore-test· αν το αφαιρέσει κάποιος, το AWS Backup δεν μπορεί να τους καθαρίσει. Κάθε restore test χρεώνεται, πέρα από το κόστος των πόρων, οπότε ξεκινήστε μικρά.

resource "aws_backup_restore_testing_plan" "weekly" {
  name                = "weekly_restore_test"
  schedule_expression = "cron(0 6 ? * MON *)"
  start_window_hours  = 4

  recovery_point_selection {
    algorithm             = "RANDOM_WITHIN_WINDOW"
    include_vaults        = ["*"]
    recovery_point_types  = ["SNAPSHOT"]
    selection_window_days = 14
  }
}

resource "aws_backup_restore_testing_selection" "rds" {
  name                      = "rds_prod"
  restore_testing_plan_name = aws_backup_restore_testing_plan.weekly.name
  protected_resource_type   = "RDS"
  iam_role_arn              = aws_iam_role.restore_test.arn
  validation_window_hours   = 2

  protected_resource_conditions {
    string_equals {
      key   = "aws:ResourceTag/backup"
      value = "prod"
    }
  }
}

Διαλέξτε τυχαίο recovery point, όχι πάντα το πιο πρόσφατο· ένα παλιό backup που δεν γίνεται restore είναι ακριβώς αυτό που θέλετε να μάθετε νωρίς. Για το validation, ένας κανόνας EventBridge στο restore job μπορεί να ενεργοποιεί ένα Lambda που συνδέεται στη βάση, ελέγχει ότι βασικά tables έχουν πρόσφατες εγγραφές και δηλώνει επιτυχία ή αποτυχία. Το control «restore time for resources meet target» του AWS Backup Audit Manager σας δίνει έπειτα αναφορά σε σχέση με το RTO, χρήσιμη απόδειξη για ένα SOC 2 audit ή για έλεγχο NIS2.

Κάντε game day δύο φορές τον χρόνο

Τα αυτόματα restore tests αποδεικνύουν ότι τα δεδομένα επιστρέφουν. Το game day αποδεικνύει ότι οι άνθρωποι και το runbook μπορούν να επαναφέρουν την υπηρεσία. Κλείστε δύο με τρεις ώρες, διαλέξτε ένα σενάριο και τρέξτε το σε αντίγραφο του production, ποτέ στο ίδιο το production.

  1. Διαλέξτε σενάριο. Καλά παραδείγματα: «ένα migration έσβησε το table orders πριν από 40 λεπτά», «το production account παραβιάστηκε και χάσαμε την πρόσβαση», «το eu-central-1 δεν είναι διαθέσιμο για τη βάση μας».
  2. Μοιράστε ρόλους. Ένας incident lead, ένας-δύο που κάνουν τη δουλειά, ένας που κρατάει χρονολόγιο. Τους ίδιους ρόλους με το runbook απόκρισης σε incidents.
  3. Ξεκινήστε το χρονόμετρο και ακολουθήστε το γραπτό σχέδιο. Κάθε φορά που κάποιος αναγκάζεται να αυτοσχεδιάσει, σημειώστε τι έλειπε.
  4. Μετρήστε το πραγματικό RPO και RTO. RPO: η ώρα των τελευταίων δεδομένων που ανακτήσατε σε σχέση με την ώρα του «incident». RTO: από την κήρυξη του incident μέχρι ένα smoke test που περνάει.
  5. Διορθώστε το σχέδιο μέσα σε μία εβδομάδα. Κάθε κενό γίνεται ticket με υπεύθυνο. Αν το μετρημένο RTO ξεπέρασε τον στόχο, ή διορθώνετε τη διαδικασία ή αλλάζετε τον στόχο με τη σύμφωνη γνώμη της διοίκησης.

Το πρώτο game day σχεδόν πάντα βρίσκει κάτι βαρετό: ένα credential που έληξε, ένα KMS key policy που μπλοκάρει το restore role, ένα security group που κανείς δεν θυμόταν. Γι' αυτό ακριβώς το κάνετε.

Ένα DR plan σε μία σελίδα

Το σχέδιο πρέπει να χωράει σε μία σελίδα και να βρίσκεται κάπου που φτάνετε ακόμα κι όταν το AWS SSO είναι αυτό που χάλασε. Κρατήστε ένα αντίγραφο εκτός των AWS accounts σας.

ΣΧΕΔΙΟ DISASTER RECOVERY — [Εταιρεία]       Υπεύθυνος: [όνομα]   Αναθεώρηση: [ημ/νία]

1. ΠΕΔΙΟ ΚΑΙ ΣΤΟΧΟΙ
   Σύστημα         Tier  RPO      RTO      Στρατηγική           Recovery region
   prod Postgres   1     15 λεπτά 1 ώρα    PITR + pilot light   eu-west-1
   API (ECS)       2     -        4 ώρες   redeploy από IaC     eu-west-1
   S3 uploads      2     1 ώρα    4 ώρες   replication + versioning
   Analytics       3     24 ώρες  2 μέρες  ημερήσιο backup

2. ΠΟΙΟΣ ΑΠΟΦΑΣΙΖΕΙ
   Κηρύσσει disaster: [CTO], αναπληρωτής: [lead engineer]
   Επικοινωνία με πελάτες: [όνομα]     Status page: [URL]

3. ΠΡΟΣΒΑΣΗ ΑΝ ΔΕΝ ΔΟΥΛΕΥΕΙ ΤΟ ΚΑΝΟΝΙΚΟ LOGIN
   Break-glass account: [πού φυλάσσονται τα credentials]
   Backup account ID: [id]   Recovery vault: [ARN]

4. ΒΗΜΑΤΑ ΑΝΑΚΑΜΨΗΣ (link σε runbook για το καθένα)
   α. Διαγραφή ή αλλοίωση δεδομένων -> PITR restore σε νέο instance, αλλαγή endpoint
   β. Παραβίαση account             -> restore από το backup account σε καθαρό account
   γ. Region μη διαθέσιμο           -> promote replica / restore αντιγράφων, deploy IaC

5. ΕΠΑΛΗΘΕΥΣΗ
   Smoke tests: [λίστα]   Έλεγχοι δεδομένων: [queries]   Εγκρίνει: [όνομα]

6. ΔΟΚΙΜΕΣ
   Αυτόματο restore test: εβδομαδιαίο (AWS Backup)   Τελευταίο game day: [ημ/νία, αποτέλεσμα]
   Επόμενο game day: [ημ/νία]

Από πού να ξεκινήσετε αυτή την εβδομάδα

Αν δεν κάνετε τίποτε άλλο: ενεργοποιήστε Multi-AZ και backup retention τουλάχιστον 7 ημερών στις βάσεις του production, αντιγράψτε τα backups σε ξεχωριστό account με vault lock, προγραμματίστε ένα restore test και γράψτε την παραπάνω σελίδα. Θέλει λίγες μέρες και καλύπτει τις καταστροφές που πραγματικά συμβαίνουν στις startups.

Αν θέλετε μια δεύτερη ματιά, το cloud audit μας ελέγχει backups, διαδρομές restore και blast radius μαζί με ασφάλεια και κόστος, και το managed DevOps τρέχει για λογαριασμό σας τα restore tests και τα game days, ώστε το σχέδιο να μένει αληθινό κι όταν ο άνθρωπος που το έγραψε έχει προχωρήσει αλλού.

Για να δείτε τι σημαίνουν στην πράξη οι στόχοι σας, ο δωρεάν υπολογιστής uptime και SLA μετατρέπει έναν στόχο διαθεσιμότητας σε λεπτά επιτρεπτού downtime και error budget.

Συχνές ερωτήσεις

Ποιες είναι οι τέσσερις στρατηγικές disaster recovery στο AWS;

Backup and restore, pilot light, warm standby και multi-site active/active. Το AWS τις κατατάσσει από τη φθηνότερη και πιο αργή (ανάκαμψη σε ώρες) μέχρι την ακριβότερη και πιο γρήγορη (σχεδόν πραγματικός χρόνος). Οι περισσότερες startups χρειάζονται backup and restore με cross-account αντίγραφα, και pilot light μόνο για λίγα κρίσιμα συστήματα.

Ποια είναι η διαφορά ανάμεσα σε RPO και RTO;

Το RPO είναι πόσα δεδομένα, μετρημένα σε χρόνο, αντέχετε να χάσετε. Το RTO είναι πόση ώρα μπορεί να μείνει ένα σύστημα εκτός λειτουργίας. Ορίστε τα ανά σύστημα και δοκιμάστε τα· ένα RTO που δεν έχει μετρηθεί σε πραγματικό restore είναι απλώς μια εκτίμηση.

Αντιγράφει το AWS Backup το point-in-time recovery του RDS σε άλλο account;

Όχι. Το AWS Backup δεν αντιγράφει τα transaction logs του RDS, οπότε τα cross-account και cross-region αντίγραφα των continuous backups γίνονται snapshots χωρίς point-in-time recovery. Το offsite RPO σας είναι όσο πρόσφατο είναι το τελευταίο αντίγραφο. Αν δεν αρκεί, πάρτε συχνότερα snapshots ή βάλτε cross-region read replica.

Μπορεί κάποιος να σβήσει backups που προστατεύει το AWS Backup Vault Lock;

Σε compliance mode, μόλις περάσει η περίοδος χάριτος των τουλάχιστον 3 ημερών, κανείς, ούτε ο root user ούτε το AWS, δεν μπορεί να αφαιρέσει το lock ή να σβήσει recovery points πριν λήξουν. Σε governance mode, χρήστες με τα σωστά IAM δικαιώματα μπορούν να το αφαιρέσουν. Δοκιμάστε πρώτα με governance.

Πείτε μας τι χρειάζεστε