Leitfaden · RabbitMQ

Der Leitfaden zu RabbitMQ Disaster Recovery

Hochverfügbarkeit hält einen Cluster am Laufen, wenn ein Knoten ausfällt. Disaster Recovery greift, wenn der Cluster, der Standort oder die Region ausfällt. Dieser Leitfaden behandelt beides nacheinander, gibt bei jedem Schritt die kurze Antwort und verweist auf den Artikel, der das Thema ausführlich behandelt.

Tyler Eastridge

Von Tyler Eastridge, Head of Operations

LinkedIn · Aktualisiert am · 4 Min. Lesezeit · 7 Abschnitte

Auf dieser Seite

DR in einem Absatz

DR in einem Absatz

Beginnen Sie mit dem Ausfall, gegen den Sie sich tatsächlich absichern, denn das Design unterscheidet sich. Ein Knotenausfall wird innerhalb des Clusters von Quorum Queues über eine ungerade Anzahl von Knoten in getrennten Fehlerdomänen abgefangen. Ein Ausfall von Standort oder Region erfordert einen zweiten Cluster und einen Replikationsmechanismus – Federation oder Shovel, je nachdem, ob Sie die Topologie spiegeln oder Nachrichten verschieben müssen. Definitionen werden getrennt von den Nachrichten gesichert, denn ein Neuaufbau beginnt bei den Definitionen. Die Recovery-Ziele entscheiden, wie viel davon Sie aufbauen. Und nichts davon zählt, solange das Failover nicht bewusst und mit verbundenen Clients durchgespielt wurde.

Hochverfügbarkeit und Disaster Recovery trennen

HA ist Redundanz innerhalb eines Clusters: Ein Knoten fällt aus, und die übrigen Knoten übernehmen die Queues. DR ist Redundanz über Cluster hinweg: Ein Standort fällt aus, und ein anderer Cluster übernimmt die Workload. Quorum Queues liefern das Erste, für das Zweite tun sie nichts, denn ein Cluster lässt sich nicht sinnvoll über Regionen spannen und sollte das auch nicht müssen. Legen Sie fest, für welchen Ausfall Sie planen, bevor Sie einen Mechanismus wählen.

Zuerst HA innerhalb des Clusters richtig aufsetzen

Drei oder fünf Knoten in unabhängigen Fehlerdomänen, Quorum Queues für jede Workload, die den Verlust eines Knotens überstehen muss, pause_minority als Partition Handling und keine Classic Mirrored Queues mehr. Ein DR-Design auf einem Cluster, der noch Mirrored Queues betreibt, erbt deren Failover-Verhalten – also genau das, was Sie eigentlich beheben wollten.

Federation oder Shovel für den zweiten Standort wählen

Beide übertragen Nachrichten per AMQP zwischen Clustern, und beide überstehen einen Verbindungsabbruch; sie unterscheiden sich darin, was sie replizieren. Federation verknüpft Exchanges und Queues, sodass die Topologie gespiegelt wird und Consumer auf beiden Seiten laufen können. Shovel überträgt Nachrichten von einer Quelle zu einem Ziel, mit mehr Kontrolle und loserer Kopplung. Für Active-Passive-DR setzen die meisten IT-Landschaften auf Shovels aus bestimmten Queues, für Active-Active oder geografisch verteilte Consumer auf föderierte Exchanges. Keines von beiden bietet Exactly-once, daher müssen Consumer in jedem Fall idempotent sein.

Was zu welcher Situation passt

  • Active-Passive-DR, bestimmte Queues sind zu schützen: Shovels aus diesen Queues.
  • Active-Active oder Consumer in mehr als einer Region: föderierte Exchanges.
  • Topologie, die standortübergreifend gespiegelt werden muss: Federation.
  • Kontrolle darüber, welche Nachrichten wann übertragen werden: Shovel.

Aus unseren Projekten. Multi-Site-RabbitMQ gehört in unserer Support-Arbeit inzwischen zum Alltag. Unser Ticket-Log verzeichnet 1 Federation- oder Shovel-Ticket in 2023, keines in 2024, 5 in 2025 und bisher 6 in 2026 – insgesamt 12 von 145. Die Fehler sind typisch für zwei Standorte: Links, die neu starten, wenn ein Knoten beitritt, doppelte föderierte Queues und Definitionen, die sich nicht exportieren lassen (die Ticket-Analyse). Genau diese Fälle sollten Sie in Schritt 7 üben, statt ihnen erst im Incident zu begegnen.

Reaktionszeitziele ab 15 Minuten, je nach Plan. Namentlich zugeordnete Senior Engineers.

Kontakt

Definitionen getrennt von Nachrichten sichern

Benutzer, vhosts, Berechtigungen, Exchanges, Queues, Bindings und Policies lassen sich über die Management-API als ein einziges JSON-Dokument exportieren, und ein neuer Cluster importiert es in Sekunden. Nachrichten lassen sich so nicht exportieren: Sie werden über die Replikation aus Schritt 3 wiederhergestellt oder im Rahmen des Recovery-Ziels als verloren akzeptiert. Exportieren Sie die Definitionen bei jeder Änderung und legen Sie sie zusammen mit dem Infrastruktur-Code ab, damit ein Neuaufbau von einer bekannten Topologie ausgeht statt aus dem Gedächtnis.

Recovery-Ziele festlegen, bevor Sie das Design dimensionieren

Die Recovery Time Objective entscheidet, ob der zweite Standort als Warm Standby mit laufenden Shovels betrieben oder bei Bedarf aus den Definitionen neu aufgebaut wird. Die Recovery Point Objective entscheidet, ob Nachrichten in Bearbeitung überleben müssen – was Sie zu Publisher Confirms, Durable Queues und Replikation führt – oder verloren gehen dürfen, was ein deutlich einfacheres Design erlaubt. Die meisten RabbitMQ-Workloads vertragen eine kurze RPO, weil Producer erneut senden. Benennen Sie die Zahl trotzdem, denn an ihr wird der Rest des Designs gemessen.

Läuft RabbitMQ auf Kubernetes, ist DR auch eine Storage-Frage

Der Cluster Operator übernimmt den Austausch von Knoten innerhalb eines Clusters, doch Persistent Volumes sind je nach Storage Class zonal oder regional, und der Verlust einer Region nimmt die Volumes mit. Ein zweiter Cluster in einer zweiten Region mit Shovel oder Federation bleibt die Antwort; Volume-Snapshots sind ein Backup von Definitionen und Daten, kein Failover. Prüfen Sie die Fehlerdomäne der Storage Class, bevor Sie sich auf die Anzahl der Replikate verlassen.

Das Failover bewusst durchspielen – mit verbundenen Clients

Ein dokumentiertes Failover ist eine Hypothese. Beenden Sie einen Knoten und prüfen Sie, ob die Quorum Queues neue Leader wählen und die Clients sich neu verbinden. Nehmen Sie dann den primären Standort vom Netz und prüfen Sie, ob die Consumer am sekundären Standort innerhalb der Recovery Time Objective Traffic erhalten, ob die Definitionen sauber importiert wurden und ob die Shovels oder Federation-Links wieder anlaufen, sobald der primäre Standort zurück ist. Halten Sie die verstrichene Zeit fest: Das ist Ihre tatsächliche RTO. Wiederholen Sie den Test nach jeder Topologieänderung und mindestens vierteljährlich.

Häufig gestellte Fragen

Bieten Quorum Queues Disaster Recovery?

Nein. Quorum Queues bieten Hochverfügbarkeit innerhalb eines Clusters: Ein Knoten kann ausfallen, und die Queue überlebt. Disaster Recovery erfordert einen zweiten Cluster an einem anderen Standort oder in einer anderen Region, auf den per Federation oder Shovel repliziert wird, sowie ein Backup der Definitionen für den Neuaufbau.

Sollte ich für RabbitMQ-DR Federation oder Shovel verwenden?

Shovel für Active-Passive-DR, bei dem Nachrichten aus bestimmten Queues in einen Standby-Cluster verschoben werden müssen. Federation, wenn Consumer auf beiden Seiten laufen oder die Topologie gespiegelt werden muss. Beide überstehen Verbindungsabbrüche, keines bietet Exactly-once – die Consumer müssen daher idempotent sein.

Kann sich ein RabbitMQ-Cluster über zwei Regionen erstrecken?

Er kann, sollte es aber nicht. Die Erlang-Distribution zwischen den Knoten setzt niedrige Latenz voraus, und über eine WAN-Verbindung wird aus normalem Jitter eine Partition. Betreiben Sie einen Cluster pro Region und replizieren Sie zwischen ihnen.

Wie oft sollten wir das RabbitMQ-Failover testen?

Nach jeder Änderung an Topologie oder Version und mindestens vierteljährlich. Der Test besteht aus einem echten Beenden eines Knotens und einem echten Standort-Failover mit verbundenen Clients, gemessen am Recovery-Ziel.

Kostenlose Beratung

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.

E-Mail schreiben