RabbitMQ über Regionen hinweg ist ein Problem der Nachrichtenbewegung, nicht der Replikation
Die Frage, die wir von Architekten bei der Planung einer zweiten Region am häufigsten hören, lautet sinngemäß: „RabbitMQ Federation oder Shovel für DR?“ Die Frage ist richtig, aber sie verbirgt eine falsche Annahme. Beide Plugins verschieben Nachrichten zwischen Clustern, die keinerlei Zustand teilen. Keines von beiden kopiert eine Queue. Keines hält zwei Cluster im Gleichschritt. Wenn Ihr DR-Plan davon ausgeht, dass der Standby im Moment des Ausfalls dieselben Nachrichten enthält wie der Primärcluster, werden Federation und Shovel Sie gleichermaßen enttäuschen – und diese Enttäuschung kommt zum denkbar schlechtesten Zeitpunkt.
Eignet sich RabbitMQ Federation also für Disaster Recovery? Ja, für eine bestimmte Form von DR: eine, bei der Sie ein begrenztes Fenster für Verluste oder Duplikate von Nachrichten im Transit akzeptieren, Consumer so auslegen, dass sie ein Replay tolerieren, und das Plugin nutzen, um eine zweite Region mit dem Traffic warmzuhalten, den sie braucht. Dasselbe gilt für Shovel. Dieser Beitrag erklärt, was jedes Plugin in RabbitMQ 3.13 und 4.x tatsächlich tut, wo sich ihre Semantik in für die Wiederherstellung entscheidenden Punkten unterscheidet und wie wir beide in einem Zwei-Regionen-Design kombinieren, das einen regionalen Ausfall übersteht, ohne Nachrichten zu erfinden oder stillschweigend zu verlieren.
Eine Abgrenzung vorab: Cluster-Sizing, Node-Anzahl und Multi-AZ-Platzierung innerhalb einer Region behandeln wir in unserem Leitfaden zu RabbitMQ HA und Cluster-Sizing; diese Inhalte wiederholen wir hier nicht.
So funktioniert Federation: Exchanges, Queues, Upstreams und Hops
Federation ist ein Pull-Modell. Ein Downstream-Cluster deklariert einen Upstream, baut eine AMQP-Verbindung zu ihm auf und fordert Nachrichten an. Der Link gehört dem Downstream, deshalb konfigurieren Sie auch dort – wir aktivieren das Plugin dennoch auf beiden Seiten, damit sich die Rollen umkehren lassen.
Es gibt zwei Varianten. Bei Exchange Federation empfängt ein Exchange auf dem Downstream die Nachrichten, die an einen gleichnamigen Exchange auf dem Upstream gepublisht werden. Intern legt der Downstream dafür eine interne Queue auf dem Upstream an, bindet sie mit denselben Bindings, die auf dem Downstream-Exchange existieren, und konsumiert daraus. Nur Nachrichten, die zu einem Downstream-Binding passen, gehen über den Link; ein Downstream ohne Bindings zieht also nichts. Bei Queue Federation zieht eine Downstream-Queue Nachrichten aus einer gleichnamigen Upstream-Queue, allerdings nur, wenn die Downstream-Queue Consumer hat und in der Upstream-Queue Nachrichten bereitliegen. Sie verteilt Last zwischen Standorten, statt zu kopieren: Eine Nachricht, die zum Downstream wandert, ist aus der Upstream-Queue verschwunden.
Der Parameter max-hops in der Upstream-Definition steuert, wie weit sich eine Nachricht durch eine Kette föderierter Exchanges fortpflanzt. Der Standardwert ist 1: Eine Nachricht überquert einen Link und stoppt. Federation versieht die Nachricht bei jedem Hop mit einem x-received-from-Header und leitet sie nie an einen Upstream zurück, den sie bereits passiert hat – genau das verhindert Schleifen in einem bidirektionalen Setup. Belassen Sie max-hops bei 1, es sei denn, Sie bauen bewusst ein Mesh.
Ist der Upstream nicht erreichbar, bedient der Downstream lokale Publisher und Consumer einfach weiter. Der Link versucht es alle reconnect-delay Sekunden erneut, standardmäßig alle fünf, bis der Upstream zurück ist. Nachrichten, die während des Ausfalls auf dem Upstream gepublisht werden, sammeln sich in der internen Queue auf der Upstream-Seite – begrenzt nur durch die message-ttl und expires, die Sie in der Upstream-Definition setzen – und laufen ab, sobald der Link wieder steht. Das ist die nützlichste Eigenschaft von Federation für DR und zugleich ihre häufigste Falle: Eine unbegrenzte Upstream-Queue kann den Upstream bei einem langen Ausfall in einen Disk-Alarm treiben.
Auf einem gesunden Link bleibt die Reihenfolge erhalten, weil die interne Queue FIFO mit einem einzigen Consumer ist. Über einen Reconnect hinweg ist sie nicht garantiert, und der Standard-ack-modeon-confirm kann Nachrichten erneut zustellen, die beim Abbruch des Links unterwegs waren. Federation liefert Ihnen über den Link At-least-once, niemals Exactly-once. Und um es klar zu sagen: Federation ist weder Replikation noch ein Spiegel. Ein föderierter Exchange auf dem Standby weiß nichts von Nachrichten, die unverarbeitet in Queues auf dem Primärcluster liegen.
# On the downstream (standby) cluster
rabbitmqctl set_parameter federation-upstream east \
'{"uri":["amqps://fed:REDACTED@east-a.example.internal:5671","amqps://fed:REDACTED@east-b.example.internal:5671"],"max-hops":1,"ack-mode":"on-confirm","message-ttl":3600000,"expires":86400000,"reconnect-delay":5}'
rabbitmqctl set_policy --apply-to exchanges federate-events "^events\." \
'{"federation-upstream-set":"all"}'
Die URI ist absichtlich eine Liste. Fällt der erste Upstream-Node aus, versucht der Link den nächsten – genau das, was ein DR-Link tun soll.
So funktionieren Shovels: statisch, dynamisch und Ack-Modi
Ein Shovel ist ein Consumer und ein Publisher, die im Broker zusammengeschaltet sind. Er konsumiert aus einer Quell-Queue, publisht an einen Ziel-Exchange oder eine Ziel-Queue und bestätigt an der Quelle entsprechend seinem ack-mode. Die Nachrichten verlassen die Quelle. Das ist der entscheidende Unterschied zur Exchange Federation: Ein Shovel verschiebt, Federation kopiert entsprechend den Bindings.
Statische Shovels stehen in der advanced.config und erfordern für Änderungen einen Neustart des Nodes; sie eignen sich daher für feste Verkabelung. Dynamische Shovels sind Laufzeitparameter, die mit rabbitmqctl set_parameter shovel oder über die Management-API angelegt werden und sich im laufenden Betrieb hinzufügen, ändern und löschen lassen. Für DR setzen wir fast ausschließlich dynamische Shovels ein, denn Failover und Failback sind genau die Momente, in denen Sie umkonfigurieren müssen, ohne einen Node neu zu starten. Ein dynamischer Shovel läuft auf einem Node; fällt dieser aus, startet der Shovel auf einem anderen neu.
Der ack-mode entscheidet darüber, was ein Shovel verlieren kann. Mit on-confirm, dem Standard, bestätigt der Shovel die Quellnachricht erst, nachdem das Ziel sie bestätigt hat; ein Absturz zwischen Publish und Confirm kann also ein Duplikat erzeugen, aber nie einen Verlust. Mit on-publish bestätigt der Shovel, sobald die Nachricht auf die Zielverbindung geschrieben ist – vor dem Confirm –, sodass ein Ausfall des Ziels im falschen Moment sie verliert. Mit no-ack nutzt der Shovel an der Quelle automatische Bestätigung und verliert bei jedem Fehler alles, was sich gerade in seinem Prefetch-Puffer befand. Für DR-Traffic gibt es genau eine richtige Antwort, und die lautet on-confirm.
Das Reconnect-Verhalten entspricht dem der Federation: Verliert der Shovel einen der beiden Endpunkte, wartet er reconnect-delay Sekunden und versucht es unbegrenzt erneut, es sei denn, src-delete-after weist ihn an, aufzuhören, sobald eine Queue geleert ist. Diese Option ist nützlich für einmalige Migrationen und für das Failback, bei dem ein Shovel eine Queue leeren und sich anschließend selbst entfernen soll.
Shovels lassen sich zu Fan-in- und Fan-out-Topologien kombinieren. Fan-in bedeutet mehrere Shovels, einer pro Quellcluster, die in einen gemeinsamen Ziel-Exchange publishen; so holen wir regionale Audit- oder Billing-Events in einen zentralen Cluster. Fan-out bedeutet mehrere Shovels aus einem Cluster, die jeweils ihre eigene, an denselben Exchange gebundene Quell-Queue lesen und an unterschiedliche Ziele zustellen. Ein einzelner Shovel kann kein Fan-out, weil er jede Nachricht nur einmal konsumiert.
Was keines der beiden Plugins bietet: synchrone Replikation
Innerhalb eines einzelnen Clusters replizieren Quorum Queues jede Nachricht per Raft auf eine Mehrheit ihrer Mitglieder, bevor sie dem Publisher bestätigen. Eine bestätigte Nachricht übersteht den Verlust einer Minderheit der Nodes ohne Lücke und ohne Replay. Das ist synchrone Replikation, und deshalb sind Quorum Queues innerhalb einer Region der Standard für dauerhafte Workloads.
Weder Federation noch Shovel tun etwas Vergleichbares. Beide sind asynchrone Consumer, die hinter dem Confirm-Pfad des Primärclusters laufen. Der Publisher erhält sein Confirm, wenn die Quorum Queue des Primärclusters committet; der Standby erhält die Nachricht etwas später – nachdem der Link sie konsumiert, über das WAN übertragen und der Standby sie bestätigt hat. Diese Lücke ist Ihr Risiko. Auf einem gesunden Link beträgt sie meist einige zehn Millisekunden, aber sie ist nie null, und während eines Link-Ausfalls wächst sie, bis der Link sich erholt.
Die kommerzielle Distribution Tanzu RabbitMQ von Broadcom enthält eine Warm-Standby-Replikation, die Schema- und Nachrichtendaten von einem aktiven auf einen passiven Cluster repliziert – als Produktfunktion mit eigenem Betriebsmodell. Es gibt sie, sie ist für manche Organisationen eine legitime Antwort, und sie ist nicht Teil der Open-Source-Distribution. Die Details wiederholen wir hier nicht, denn sie gehören in die Herstellerdokumentation. Wenn Ihre Compliance-Anforderungen aber eine vollständig unterstützte Replikation von Cluster zu Cluster verlangen, ist das das richtige Gespräch – und als strategischer RabbitMQ-MSP-Partner von Broadcom führen wir es regelmäßig.
Für alle anderen gilt ehrlicherweise: RabbitMQ-DR über Regionen hinweg ist asynchron, und die Designarbeit besteht darin, das Risiko zu begrenzen und die Anwendung dagegen unempfindlich zu machen.
Entscheidungstabelle: Federation oder Shovel
Die Wahl fällt selten für eine ganze Landschaft zugunsten des einen oder anderen. Sie erfolgt pro Exchange und pro Queue – abhängig davon, was die Nachrichten bedeuten und was die Consumer tolerieren können.
Kriterium
Spricht für Exchange Federation
Spricht für Shovel
RPO-Erwartung
Sekunden, begrenzt durch die Verzögerung des Links; die Upstream-Queue puffert während eines Ausfalls
Sekunden; die Quell-Queue puffert während eines Ausfalls
RTO-Erwartung
Niedrig; der Standby hat bereits Bindings und Live-Traffic
Niedrig bis mittel; für Standby-Queues müssen Consumer gestartet werden
Active-Active
Ja, bidirektionale Links mit max-hops 1
Umständlich; erfordert strikte Disziplin mit nur einer Richtung pro Queue
Active-Passive
Ja, in einer Richtung, beim Failback umgekehrt
Ja, der natürliche Einsatzfall
Consumer an beiden Standorten
Erforderlich; jeder Standort konsumiert seine eigene Kopie
Meist konsumiert ein Standort, der andere hält einen Puffer
Nachrichtenreihenfolge
FIFO pro Link auf einem gesunden Link; nicht über Reconnects hinweg
FIFO pro Shovel auf einem gesunden Link; nicht über Reconnects hinweg
Duplikate
Möglich beim Reconnect mit on-confirm
Möglich beim Reconnect mit on-confirm
Aufgaben, die genau einmal laufen müssen
Schlecht geeignet; jeder Standort erhält eine Kopie
Gut geeignet; die Nachricht wandert, ein Standort verarbeitet
Event-Broadcast an viele Standorte
Hervorragend geeignet
Schlecht geeignet; ein Shovel pro Ziel und pro Queue
Verstehen Sie die Tabelle als Standardwerte. Events, die viele Services abonnieren und die jede Region sehen soll, gehören auf föderierte Exchanges. Commands und Jobs, bei denen genau ein Worker handeln soll, gehören in Queues, die lokal verarbeitet oder gezielt per Shovel an genau ein Ziel übertragen werden.
So bauen wir RabbitMQ über mehrere Regionen: ein Referenzlayout mit zwei Regionen
Kunden fragen „Wie bauen wir RabbitMQ über mehrere Regionen auf?“ und erwarten ein einziges Diagramm. Die ehrliche Antwort sind zwei Layer auf demselben Clusterpaar – einer für Events und einer für Arbeit.
Nehmen wir zwei Regionen, East als primäre und West als Standby, jeweils mit einem eigenen Cluster aus drei Nodes und Quorum Queues für alles Dauerhafte. Beide Cluster haben identische Definitions: Exchanges, Queues, Bindings, Policies und Benutzer, aus East exportiert und von der Deployment-Pipeline auf West angewendet, sodass kein Drift entstehen kann. Wenn das grundlegende Layout von Exchanges und Bindings noch nicht feststeht, hilft unser Beitrag zu Exchanges, Queues und Bindings für Microservices, und der Leitfaden zur produktiven RabbitMQ-Architektur zeigt, wo sich das ins Gesamtbild einfügt.
Der Event-Layer nutzt Exchange Federation in beide Richtungen. Jeder Topic Exchange namens events.* wird föderiert, West als Downstream von East und East als Downstream von West, mit max-hops auf 1. Services, die Events abonnieren, laufen in beiden Regionen und konsumieren aus lokalen Queues, die an den lokalen föderierten Exchange gebunden sind. Im Normalbetrieb publisht East nahezu alles, West erhält Kopien und seine Subscriber verarbeiten sie (Read Models, Caches, Suchindizes), während der Rückweg ungenutzt bleibt. Weil die Bindings bestimmen, was über den Link geht, zieht ein Subscriber, den es nur in East gibt, seinen Traffic nicht nach West.
Im Arbeits-Layer spielen Shovels ihre Stärken aus. Jede Command-Queue in East, etwa orders.work, wird über ein Binding von einem Exchange orders.cmd gespeist. Ein zweites Binding leitet dieselben Nachrichten an orders.work.dr, eine Quorum Queue mit einer message-ttl, die der längsten Zeit entspricht, die eine Bestellung in East legitimerweise unverarbeitet liegen darf – typischerweise fünfzehn bis dreißig Minuten. Ein dynamischer Shovel mit on-confirm verschiebt orders.work.dr fortlaufend nach orders.work.standby in West, das dieselbe TTL trägt. Im Normalbetrieb konsumiert niemand orders.work.standby; Nachrichten kommen an, laufen ab und verschwinden. Die Queue ist ein rollierendes Fenster der jüngsten Arbeit, kein Spiegel des Rückstands auf dem Primärcluster.
Command-Consumer laufen im Normalbetrieb nur in East. In West ist das Deployment bereit, für Command-Consumer aber auf null skaliert und für Event-Subscriber aktiv. Publisher verbinden sich über einen DNS-Namen oder einen globalen Load-Balancer-Eintrag, der auf East auflöst.
# Applied on both clusters via the definitions pipeline
rabbitmqctl set_policy --apply-to queues dr-window "^orders\.work\.(dr|standby)$" \
'{"message-ttl":1800000}'
Einen regionalen Ausfall überstehen: Failover und Failback ohne Duplikate und Schleifen
„Wie überstehen Nachrichten den Ausfall einer Region?“ zerfällt in drei Momente: den Ausfall selbst, die Failover-Entscheidung und das Failback.
Während des Ausfalls brauchen die Plugins keine Aufmerksamkeit. Der Federation-Link von West nach East bricht ab und versucht es alle fünf Sekunden erneut. Der Shovel aus East kann keine Verbindung aufbauen und versucht es erneut. Die Event-Subscriber in West arbeiten mit allem weiter, was bereits zugestellt wurde. Nachrichten, die in East in den Sekunden vor dem Ausfall gepublisht wurden und den Link noch nicht passiert hatten, hängen dort fest, bis East zurück ist. Das ist der RPO, und die Anwendungsschicht muss ihn über Outboxes auf Publisher-Seite oder ein Replay aus dem führenden System abdecken.
Das Failover ist eine bewusste Handlung, keine automatische. Wir haben erlebt, wie ein automatisches regionsübergreifendes Failover, ausgelöst durch einen kurzen Ausreißer im Monitoring, einen Split-Brain bei den Consumern erzeugte, dessen Bereinigung ein ganzes Wochenende dauerte. Das Runbook ist kurz: Bestätigen Sie über unabhängige Prüfungen, dass East tatsächlich nicht verfügbar ist; stellen Sie den DNS- oder Load-Balancer-Eintrag der Publisher auf West um; skalieren Sie die Command-Consumer in West von null hoch; prüfen Sie, dass sie orders.work.standby abarbeiten. Alles in dieser Queue, was jünger als die TTL ist, wird verarbeitet – also auch Arbeit, die East im letzten Fenster bereits erledigt hatte. Das ist so gewollt. Jeder Command-Consumer führt einen Idempotenzschlüssel mit, und die TTL begrenzt, wie viel doppelte Arbeit der Standby überhaupt sehen kann.
West ist jetzt primär. Sein events.*-Traffic ist entscheidend, und der Federation-Link mit East als Downstream überträgt ihn nach East, sobald East zurück ist. Commands landen in West in orders.work und werden lokal verarbeitet, wobei eine Kopie in orders.work.dr in West geleitet wird, bereit für den umgekehrten Shovel.
Beim Failback entstehen Duplikate und Schleifen, wenn Sie es überstürzen. Unsere Reihenfolge: East hochfahren, ohne dass Publisher darauf zeigen, und mit Command-Consumern auf null; den Federation-Link von West nach East den Event-Rückstand abarbeiten lassen; einen umgekehrten Shovel mit on-confirm von orders.work.dr in West nach orders.work.standby in East anlegen; dann in einer ruhigen Phase die Publisher wieder auf East umstellen, die Consumer in East hoch- und in West herunterskalieren und den umgekehrten Shovel mit src-delete-after auf queue-length entfernen, sodass er sich beendet, sobald die Queue leer ist. Zu keinem Zeitpunkt verschieben zwei Shovels dieselbe Queue in entgegengesetzte Richtungen, und zu keinem Zeitpunkt laufen Command-Consumer in beiden Regionen gegen dieselbe logische Queue.
Im Event-Layer können keine Schleifen entstehen, weil max-hops von 1 und der x-received-from-Header verhindern, dass eine Nachricht, die einen Link überquert hat, zurückwandert. Im Arbeits-Layer entstehen Schleifen nur, wenn jemand per Shovel in einen Exchange schreibt, dessen Bindings die eigene Quell-Queue des Shovels speisen. Die Regel: Per Shovel immer in benannte Ziel-Queues schreiben, nie in den Exchange, der die Quelle gespeist hat.
Ausfallübungen vor dem Go-live
Ein DR-Design, das nie geübt wurde, ist eine Hypothese. Wir führen diese Übungen mit Kunden vor dem ersten produktiven Cutover durch und danach jedes Quartal erneut.
Sperren Sie den WAN-Port zwischen den Clustern für dreißig Minuten an der Firewall und beobachten Sie, wie die Federation-Queue auf der Upstream-Seite und orders.work.dr wachsen. Prüfen Sie, ob die gesetzten Werte für message-ttl und expires das Wachstum tatsächlich begrenzen und keiner der Cluster in die Nähe seiner Disk-Alarm-Schwelle kommt. Stellen Sie den Link wieder her und messen Sie, wie lange der Rückstand mit Ihren realen Prefetch-Einstellungen zum Abbau braucht.
Publishen Sie bei unterbrochenem Link eine bekannte Anzahl nummerierter Nachrichten, stellen Sie den Link wieder her und zählen Sie, was angekommen ist. Diese Übung findet die no-ack-Shovels und on-publish-Links, die jemand „wegen der Performance“ so eingestellt hat.
Starten Sie den Node, dem der Federation-Link gehört, und den Node, dem der Shovel gehört, getrennt voneinander neu und prüfen Sie, dass sich beide anderswo wieder aufbauen. Kontrollieren Sie nach jedem Neustart rabbitmqctl federation_status und rabbitmqctl shovel_status, statt nur kurz in die Management-UI zu schauen.
Lösen Sie auf dem Standby einen Memory-Alarm aus, indem Sie gezielt eine Queue füllen. Ein Federation-Link publisht in den Downstream, sodass ein Alarm dort den Link genauso blockiert wie jeden anderen Publisher, und die Upstream-Queue beginnt zu wachsen. Prüfen Sie, ob Ihr Alerting den blockierten Link erkennt und nicht nur den Alarm.
Spielen Sie das vollständige Failover-Runbook mit echten Consumern und synthetischem Traffic gegen den Standby durch, danach das vollständige Failback. Zählen Sie die in jeder Phase verarbeiteten Duplikate und prüfen Sie, dass die Idempotenzschicht alle verworfen hat. Messen Sie die Dauer beider Abläufe und tragen Sie die Werte ins Runbook ein, denn das sind Ihre echten RTO-Werte.
Rotieren Sie die Zugangsdaten in den Upstream- und Shovel-URIs und prüfen Sie, dass sich die Links neu verbinden. Abgelaufene Federation-Zugangsdaten, die erst während eines echten Ausfalls auffallen, haben wir mehr als einmal erlebt.
Fehler, die wir in Produktion sehen
Der häufigste Fehler: Federation wird als Replikation verstanden, und während eines Incidents stellt sich heraus, dass der Standby nichts vom unverarbeiteten Rückstand des Primärclusters enthält. Die Lösung ist architektonisch: Arbeit, die einen Ausfall überstehen muss, braucht das Muster aus DR-Puffer-Queue und Shovel oder eine Outbox auf Anwendungsebene.
Knapp dahinter folgt eine Upstream-Definition ohne message-ttl und ohne expires. Die interne Federation-Queue auf dem Upstream ist dauerhaft und wächst während eines langen Link-Ausfalls, bis der Upstream einen Disk-Alarm auslöst und von niemandem mehr Publishes annimmt – aus einem Standby-Problem wird so ein Ausfall des Primärclusters.
Shovels mit no-ack oder on-publish, weil ein Benchmark höheren Durchsatz gezeigt hat. Der Durchsatz ist real – der Verlust auch. Wenn ein Shovel schneller werden muss, erhöhen Sie src-prefetch-count und bleiben bei on-confirm.
Bidirektionale Shovels auf derselben Queue, meist bei einem hastigen Failback angelegt und nie wieder entfernt. Sie reichen dieselben Nachrichten hin und her, bis jemand die Zähler bemerkt.
Ein einzelner Hostname in der Upstream-URI. Wenn genau dieser Node ausgefallen ist, hat der Link des Standbys kein Ziel mehr, obwohl der Rest des Primärclusters gesund ist. Hinterlegen Sie eine Liste von URIs oder eine Load-Balancer-Adresse mit Health Checks auf die Nodes.
Drift der Definitions zwischen den Regionen. Eine Queue, die es in East gibt, in West aber nicht, lässt den Shovel in einer Retry-Schleife hängen oder – schlimmer – in einen Exchange ohne Bindings publishen, wo Nachrichten verworfen werden. Exportieren Sie die Definitions vom Primärcluster und spielen Sie sie in der Pipeline, die die Anwendung ausrollt, auf den Standby ein.
Kein Monitoring des Link-Status. Um drei Uhr morgens schaut niemand in die Management-UI. Exportieren Sie federation_status und shovel_status in Ihre Metrik-Pipeline und alarmieren Sie bei jedem Link, der länger als die Reconnect-Verzögerung nicht im Status running ist.
Und schließlich DNS-TTLs und Connection Pools, die Publisher noch lange nach der Änderung des Eintrags an die ausgefallene Region binden. Client-Bibliotheken verbinden sich ohne andere Anweisung erneut mit der Adresse, die sie beim Start aufgelöst haben. Das Failover-Runbook muss daher einen Neustart der Clients enthalten, oder die Clients müssen mit den Endpunkten beider Regionen konfiguriert sein.
Wenn Sie RabbitMQ 3.8.x bis 4.x produktiv betreiben und eine zweite Region wollen, die tatsächlich ein Failover und Failback hinter sich hat, statt nur auf einem Whiteboard zu existieren, erhalten Sie mit dem RabbitMQ-Support von AceMQ Reaktionszeitziele ab 15 Minuten, je nach Plan, von Engineers, die genau das schon gemacht haben. In unseren Projekten zur RabbitMQ-Beratung entwerfen, bauen und testen wir das Setup gemeinsam mit Ihrem Team, bevor es im Ernstfall funktionieren muss.
Wo diese Entscheidung im Gesamtdesign steht – Trennung von HA und DR, Backup der Definitions, Wiederherstellungsziele und Failover-Test –, zeigt der Leitfaden zu RabbitMQ Disaster Recovery.
FAQ
RabbitMQ Federation oder Shovel für Disaster Recovery – was passt wann?
Nutzen Sie Exchange Federation für Event-Traffic, den jede Region sehen soll: Sie folgt den Bindings automatisch, überbrückt Ausfälle des Links mit einem Puffer auf der Upstream-Seite und unterstützt bidirektionale Links sicher, wenn max-hops auf 1 steht. Nutzen Sie dynamische Shovels mit on-confirm für Work Queues, bei denen genau eine Region jede Nachricht verarbeiten soll, denn ein Shovel verschiebt Nachrichten zu einem benannten Ziel, statt sie zu kopieren. Die meisten produktiven DR-Designs kombinieren beides: Federation für den Event-Layer, Shovels für einen rollierenden DR-Puffer der jüngsten Commands. Keines von beiden ist Replikation – kombinieren Sie sie daher mit idempotenten Consumern und einer Outbox auf Publisher-Seite.
Eignet sich RabbitMQ Federation für Disaster Recovery?
Sie eignet sich für DR-Designs, die asynchrone Zustellung und ein begrenztes Zeitfenster für Verluste oder Duplikate akzeptieren. Federation versorgt eine Standby-Region laufend mit den Events, für die dort Bindings bestehen, puffert während eines Link-Ausfalls auf der Upstream-Seite und baut Links automatisch wieder auf. Sie kopiert keine unverarbeiteten Queue-Rückstände, repliziert nicht synchron und fungiert nicht als Spiegel. Wenn Ihre Anforderung lautet, dass der Standby im Moment des Ausfalls exakt das enthält, was auch der Primärcluster enthielt, kann die Open-Source-Federation das nicht leisten. Dann sollten Sie sich die kommerzielle Warm-Standby-Replikation oder eine Outbox auf Anwendungsebene ansehen.
Wie baut man RabbitMQ über mehrere Regionen auf?
Betreiben Sie pro Region einen unabhängigen Cluster mit identischen Definitions, die aus einer einzigen Pipeline ausgerollt werden. Föderieren Sie Event-Exchanges in beide Richtungen mit max-hops von 1, damit Subscriber in jeder Region lokale Kopien konsumieren. Für Work Queues legen Sie auf dem Primärcluster eine DR-Kopie-Queue an, deren Message-TTL Ihrem akzeptablen Fenster für erneute Verarbeitung entspricht, und übertragen sie per Shovel mit on-confirm in eine Standby-Queue, die bis zum Failover niemand konsumiert. Lassen Sie Command-Consumer immer nur in einer Region laufen, leiten Sie Publisher über einen umschaltbaren DNS- oder Load-Balancer-Eintrag und machen Sie das Failover zu einem bewussten Runbook-Schritt statt zu einem automatischen Trigger.
Wie überstehen Nachrichten den Ausfall einer ganzen Region?
Nachrichten überstehen ihn, weil sie auf der Seite des unterbrochenen Links gepuffert werden, auf der sie sich gerade befinden, und zugestellt werden, sobald der Link wieder steht. Federation puffert in einer Queue auf der Upstream-Seite, begrenzt durch message-ttl und expires; ein Shovel puffert in seiner Quell-Queue. Nachrichten, die der Primärcluster unmittelbar vor dem Ausfall bestätigt, aber noch nicht übertragen hat, bilden den verbleibenden RPO. Diese Lücke schließen nur eine Outbox auf Publisher-Seite oder ein Replay aus dem führenden System. Consumer müssen idempotent sein, denn beide Plugins stellen über einen Reconnect hinweg mindestens einmal zu, und das Failover verarbeitet das DR-Fenster bewusst erneut.
Spielt der Ack-Modus des Shovels für Disaster Recovery wirklich eine Rolle?
Er ist genau die Einstellung, die entscheidet, ob ein Shovel Nachrichten verlieren kann. Mit on-confirm wird die Quellnachricht erst bestätigt, nachdem das Ziel sie bestätigt hat – ein Fehler erzeugt also schlimmstenfalls ein Duplikat. Mit on-publish erfolgt die Bestätigung an der Quelle vor dem Confirm des Ziels, sodass ein Ausfall des Ziels genau in diesem Moment die Nachricht verliert. Mit no-ack geht bei jedem Fehler alles im Prefetch-Puffer des Shovels verloren. DR-Traffic sollte immer on-confirm verwenden; wenn der Durchsatz ein Thema ist, erhöhen Sie den Prefetch Count an der Quelle, statt den Acknowledgement-Modus abzuschwächen.
Kann RabbitMQ eine Queue synchron in eine andere Region replizieren?
Nicht mit den Open-Source-Plugins Federation oder Shovel, denn beide sind asynchrone Consumer, die hinter dem Confirm-Pfad des Primärclusters laufen. Synchrone Replikation ist in RabbitMQ eine clusterinterne Eigenschaft von Quorum Queues, die vor der Bestätigung auf eine Mehrheit ihrer Mitglieder committen. Einen einzelnen Cluster über Regionen zu strecken, um dieses Verhalten zu erreichen, wird nicht unterstützt und funktioniert bei WAN-Latenzen schlecht. Die kommerzielle Distribution Tanzu RabbitMQ bietet eine Warm-Standby-Replikation von Cluster zu Cluster; in allen anderen Fällen sollten Sie regionsübergreifende DR als asynchron behandeln und die Anwendung so auslegen, dass sie das daraus entstehende Zeitfenster toleriert.
Senior Enterprise Architect bei AceMQ. Verantwortet hier die technischen Beiträge: Architektur, Clustering und Migrationen von RabbitMQ, Kafka und Redis.
Mit einem Engineer sprechen
Brauchen Sie Unterstützung bei RabbitMQ?
Senior Engineers, die es selbst in Produktion betreiben. Fordern Sie ein Angebot oder ein kostenloses Erstgespräch an – ganz ohne Verkaufsgespräch.
Lassen Sie Experten auf Ihre RabbitMQ-Cluster-Umgebung schauen
Ob Sie einen Produktionsvorfall beheben, eine Migration planen oder eine zweite Meinung zu Ihrer Architektur wünschen – unser Team steht bereit. Kein Verkaufsgespräch, nur Antworten.