En esta página
¿Qué es un health check o evaluación de RabbitMQ?
¿Qué examina un health check?
- Topología del clúster y salud de los nodos. Cantidad de nodos, distribución entre hosts o zonas de disponibilidad, uso de disco y memoria por nodo, y si la distribución de los líderes de las colas de quórum (quorum queues) está equilibrada.
- Configuración y tipo de colas. Si usa colas de quórum o colas clásicas para cargas de trabajo que requieren alta disponibilidad, si todavía existen colas clásicas espejadas, los patrones de profundidad de las colas y el lag de los consumidores.
- Configuración de seguridad. Credenciales predeterminadas eliminadas o cambiadas, TLS habilitado, aislamiento de virtual hosts, permisos de usuario con el alcance adecuado y registro de auditoría.
- Rendimiento y balanceo de carga. Cómo se distribuyen las conexiones entre los nodos, si el control de flujo de los publishers se activa con carga normal y la configuración del prefetch en relación con el throughput real de los consumidores.
- Dimensionamiento de recursos. Si la asignación de memoria y disco de los nodos es adecuada para la profundidad actual de las colas y las tasas de mensajes, y si el dimensionamiento deja margen para picos de tráfico.
- Versión de Erlang y de RabbitMQ. Si la versión actual está dentro de la ventana de soporte de la comunidad, cómo es la ruta de actualización y si aplica algún CVE conocido.
- Configuración operativa. Configuración de heartbeats, timeouts de TCP, políticas de persistencia, configuración de dead-letter queues y TTL de los mensajes.
Los cinco problemas que las evaluaciones encuentran casi siempre
/var/lib/rabbitmq) en su escaneo en tiempo real son una de las causas más comunes de degradaciones de rendimiento inexplicables. La solución es simple (excluir esos directorios), pero con frecuencia se pasa por alto.guest o usuarios administrativos con permisos amplios aparecen en las evaluaciones más seguido de lo que los equipos esperan. Además, con frecuencia no se implementa el aislamiento de virtual hosts.Hacia dónde lleva esto: diseñar la arquitectura futura de RabbitMQ y, si la infraestructura abarca varios proveedores, consolidar el soporte de infraestructura.
¿Qué recibe al final de una evaluación?
- Una descripción clara de cada hallazgo y de por qué importa
- Pasos de corrección específicos: no recomendaciones vagas, sino los cambios de configuración o las acciones concretas que se necesitan
- Una secuencia priorizada para atender los hallazgos, según el riesgo y el esfuerzo
- Una recomendación de ruta de actualización (si aplica a su versión actual)
- Un resumen de la salud actual del clúster apto para compartir con la dirección
¿Sirve la evaluación si mi despliegue parece estable?
Lo que la evaluación encuentra con más frecuencia
En más de 130 proyectos empresariales en 26 países, los mismos hallazgos siguen apareciendo. La mayoría son baratos de corregir una vez que se identifican, y la mayoría son invisibles hasta que algo falla. Estos son los que documentamos con más frecuencia.
- Colas clásicas espejadas todavía en uso antes de pasar a 4.x. El espejado de colas clásicas se eliminó en RabbitMQ 4.0, así que un clúster que todavía depende de políticas ha-mode no tiene ruta de actualización hasta que esas colas se migren. Las colas espejadas, además, tienen el peor comportamiento ante fallas de todos los tipos disponibles. La solución es una migración cola por cola a colas de quórum (quorum queues), con streams para las pocas cargas de trabajo que necesitan replay. Nuestra comparación entre colas clásicas y de quórum explica dónde corresponde cada una.
- Sin publisher confirms en flujos que no pueden perder mensajes. Sin confirms, un publisher considera que una escritura TCP exitosa equivale a la entrega, y los mensajes desaparecen silenciosamente durante una falla de nodo o una alarma de memoria. Lo vemos sobre todo en los flujos de órdenes, pagos y facturación, que son justamente los que no pueden permitírselo. La solución es el modo confirm en esos canales con un reintento ante un nack, y suele ser un cambio de código pequeño.
- Colas sin límite de longitud ni TTL. Una cola sin max-length y sin TTL crece hasta disparar una alarma de memoria o de disco, y en ese momento todos los publishers del clúster quedan bloqueados, no solo el que alimenta esa cola. La solución es una política que defina max-length o el TTL de los mensajes, con un comportamiento de desborde acordado con el responsable de la aplicación.
- Prefetch en el valor predeterminado o ilimitado. Un prefetch ilimitado permite que un consumidor cargue una cola en su propia memoria mientras los demás quedan inactivos, y convierte la caída de un consumidor en una reentrega masiva. La solución es un valor de prefetch acorde al tiempo de procesamiento del consumidor, normalmente entre 10 y unos pocos cientos.
- Una sola cola caliente que concentra la mayor parte del tráfico. Una cola se ejecuta como un único proceso de Erlang en un nodo, así que una sola cola con la mayor parte del throughput del clúster limita todo el clúster a un núcleo. La solución es repartir la carga en varias colas con enrutamiento consistent-hash o directo, o usar un stream si los consumidores pueden trabajar con un modelo basado en offsets.
- Feature flags nunca habilitados después de las actualizaciones. Los feature flags controlan los formatos en disco y entre nodos. Los clústeres que se actualizaron a lo largo de varias versiones menores suelen tener flags todavía deshabilitados, lo que bloquea directamente la siguiente actualización mayor. La solución es habilitar todos los flags estables una vez que todos los nodos están en la misma versión, y confirmarlo antes de planificar el paso de 3.x a 4.x.
- Versión de Erlang por detrás de la matriz de compatibilidad. Cada versión de RabbitMQ admite un rango estrecho de versiones de Erlang/OTP, y una combinación sin soporte es lo primero que se pedirá corregir en cualquier caso de soporte. La solución es alinear Erlang con la versión de RabbitMQ de destino, normalmente en la misma ventana de mantenimiento que la actualización del broker.
- Ningún consumidor ni alerta para los dead letters. Los dead-letter exchanges suelen estar configurados. Lo que falta es algo que los lea. Los mensajes se acumulan durante meses, y la primera vez que alguien mira es durante un incidente. La solución es un consumidor o, como mínimo, una alerta sobre la profundidad de la dead-letter queue, como se describe en nuestra guía de dead-letter queues.
- Alarmas que se disparan sin que nadie las vea. Las alarmas de memoria y de disco se disparan, los publishers se bloquean y el equipo se entera por el lado de la aplicación. La solución es enrutar las alarmas y los eventos de nodo caído hacia el sistema con el que el equipo ya recibe sus alertas de guardia, con umbrales que dejen margen para actuar.
- Definiciones nunca exportadas. Los exchanges, colas, bindings, usuarios y políticas existen solo dentro del clúster en ejecución, así que reconstruirlo después de un desastre significa reconstruirlo de memoria. La solución es una exportación programada de las definiciones a control de versiones, lo que además hace visible el desvío entre entornos.
Cómo se desarrolla el proyecto y qué recibe
Un health check es un proyecto de alcance fijo con un inicio y un final definidos. Se desarrolla en cuatro pasos.
- Arranque y accesos. Una llamada breve para acordar el alcance, designar a los contactos y configurar el acceso de solo lectura a la interfaz de administración y a las métricas. En ningún momento del proyecto se cambia nada en el clúster.
- Una a dos semanas de recolección de datos y entrevistas. Extraemos definiciones, políticas, métricas de nodos y colas, logs y detalles de versiones, y conversamos con las personas responsables de la plataforma y de las aplicaciones que corren en ella. Las entrevistas importan porque las métricas muestran lo que el clúster está haciendo, no lo que se supone que debe hacer.
- Una revisión de los hallazgos con el equipo. Antes de cerrar el informe, recorremos los hallazgos con el cliente, contrastamos cada uno con lo que el equipo sabe y acordamos juntos el orden de prioridad.
- El informe escrito. Contiene hallazgos priorizados con una severidad para cada uno, un plan de corrección que el equipo puede ejecutar sin nosotros, una situación de capacidad y de versiones, y una opinión de go/no-go sobre la próxima actualización. El plan de corrección se redacta como tareas ordenadas con el motivo de cada una, no como una lista de buenas prácticas.
Del lado del cliente necesitamos un responsable de la plataforma, un responsable de las aplicaciones y acceso de administración de solo lectura. El costo en tiempo para el cliente es de unas pocas horas en total: el arranque, una o dos entrevistas y la revisión de los hallazgos.
Después del informe hay dos caminos. El equipo ejecuta el plan según sus propios tiempos, o AceMQ lo ejecuta dentro de un proyecto de consultoría de RabbitMQ o como parte de un contrato de soporte, que además incluye una respuesta P1 de 15 minutos para el clúster de ahí en adelante. Ninguno de los dos se da por sentado. Que un partner revise la arquitectura es una práctica normal para un sistema tan central, y la revisión no lo compromete a nada más. Los equipos que quieran ver cómo es un objetivo sólido antes de empezar pueden leer nuestra guía de arquitectura de RabbitMQ para producción.
Para reservar la versión guiada por un ingeniero, o para empezar con el informe gratuito de autoservicio, consulte el servicio de health check de RabbitMQ.
Preguntas frecuentes
¿Un partner de RabbitMQ puede revisar nuestra arquitectura?
Sí. La revisión de arquitectura es el núcleo de un health check de RabbitMQ, y es como comienza la mayoría de los proyectos con AceMQ. Como partner MSP estratégico exclusivo de RabbitMQ para Broadcom, revisamos clústeres con cualquier versión desde 3.8.x hasta 4.x, on-premises o en cualquier nube, solo con acceso de lectura. La revisión abarca la topología, los tipos de colas, las políticas, el comportamiento de los clientes, el monitoreo y la preparación para actualizaciones, y termina en un informe escrito que queda en manos del equipo. No requiere un contrato de soporte ni lo compromete a contratarlo.
¿Necesitamos consultoría de arquitectura de RabbitMQ?
No siempre. Si el clúster está en una versión con soporte, los tipos de colas corresponden a las cargas de trabajo, los confirms y el prefetch están configurados a conciencia y alguien vigila las alarmas, probablemente esté bien. Si alguna de esas cosas es desconocida, o se acerca una actualización a 4.x y nadie puede decir si el clúster está listo, un health check responde la pregunta a bajo costo. A la mayoría de los equipos la evaluación por sí sola les alcanza para lo que necesitaban, y solo algunos pasan a un proyecto de consultoría más grande.
¿Cuánto tarda un health check de RabbitMQ?
De dos a tres semanas de principio a fin para un entorno típico. El arranque y los accesos toman uno o dos días, la recolección de datos y las entrevistas duran de una a dos semanas, y la revisión de hallazgos y el informe escrito llegan pocos días después. Las infraestructuras más grandes, con muchos clústeres o varios entornos, toman más tiempo, y lo indicamos en la cotización. El tiempo que dedica el propio cliente es de unas pocas horas en todo el proyecto. Una caída activa se atiende primero bajo soporte, con una respuesta P1 de 15 minutos, y la evaluación se hace una vez que el clúster está estable.
¿Cuánto cuesta una evaluación de RabbitMQ?
El alcance se define por la cantidad de clústeres y de entornos, y cotizamos dentro de las 24 horas posteriores a una llamada de definición de alcance. Suele ser el proyecto más económico de AceMQ, porque el alcance es fijo, no se cambia nada en el clúster y el resultado es un informe y no una implementación. La corrección, si quiere que la hagamos nosotros, se cotiza por separado bajo consultoría o soporte, y muchos equipos ejecutan el plan por su cuenta.