このページの内容
RabbitMQクラスターのノード数はいくつにすべきか
「最小構成はクラスター内に3ノードです。そして、本当に高いスループットが問題になるまでは、実は3ノードが推奨される通常の状態なのです。」
— Scott Sternloff(AceMQ プリンシパルアーキテクト)、金融サービス企業とのディスカバリーコールにて、2026年6月
クォーラムキューの高可用性は実際にどのように機能するのか
- メッセージは確認応答の前に、N/2+1台のノードに書き込まれる(Nはクラスターのノード数)
- 3ノードクラスターでは、確認応答の前に少なくとも2ノードへの書き込みが必要
- 1ノードに障害が起きても、メッセージは残りの2ノードで引き続き利用でき、データは失われない
- リーダー選出は自動で行われ、キューのプライマリノードに障害が起きると、レプリカの1つが昇格する
スループットに合わせてクラスターをサイジングするには
「不必要に過剰なプロビジョニングはしたくありません。かといって、すぐに『リソースが逼迫しているので、もう一度予算を確保したい』と言い出すようなことも避けたい。大切なのは、本当に重要なものを見極めてバランスを取ることです。」
— Scott Sternloff(AceMQ プリンシパルアーキテクト)、金融サービス企業とのディスカバリーコールにて、2026年6月
3つのアベイラビリティゾーンにまたがるクラスターの配置
実際のネットワークレイテンシがあるリージョン間にクラスターを引き伸ばすと、前述のRaftコンセンサスの遅延の問題に直面します。これは現実的な制約です。一方、単一リージョン内の3つのアベイラビリティゾーンは事情が異なります。リージョン内のAZ間のラウンドトリップは通常1〜2ミリ秒で、Raftコンセンサスが通常のレイテンシを障害のシグナルとみなすことなく許容できる範囲に十分収まります。AZごとに1ノードという構成が、妥協案ではなく本番環境の標準パターンになっているのはこのためです。
3が最低ラインであるのは、このガイドの他の部分で最低ラインとしているのと同じ理由を、空間的に当てはめたものです。3つのAZにそれぞれ1ノードを置けば、同じ3ノードのトポロジーで、ノード単位の耐障害性とゾーン単位の耐障害性の両方が得られ、追加のノードは必要ありません。3ノードすべてを単一のAZで動かすクラスターは、ノード単位の耐障害性はあってもゾーン単位の耐障害性がなく、そもそもマルチAZのリージョンを使う意味がなくなってしまいます。
3ノード・3AZのクラスターでは、クォーラムメンバーの配置はノードの配置に自動的に従います。RabbitMQは設定されたグループサイズまでノードごとに1メンバーを配置するため、デフォルトで各キューの3つのレプリカはゾーンごとに1つずつ配置されます。3つを超えるAZにまたがる大規模なクラスターや、AZあたり3ノードを超えるクラスターでは、そうなるとは限りません。queue-leader-locatorポリシーをbalancedに設定し、rabbitmqctl list_queues name leader membersで、重要なキューのレプリカが1つのゾーンに偏っていないことを確認してください。
単一ノードの障害時だけでなく、ゾーン全体が停止したときに実際に守ってくれるのがpause_minorityです。これは4.2以前に当てはまります。RabbitMQ 4.3以降ではこの話は当てはまりません。4.3.0でMnesiaが削除され、それに伴ってパーティション処理の戦略も削除されました。cluster_partition_handlingはrabbitmq.confで引き続き受け付けられますが効果はなく、メタデータストア、クォーラムキュー、ストリームはすべてRaftベースであるため、どちら側がサービスを継続するかはRaftの過半数ルールだけで決まります。アップグレードの際にはこのキーを削除してください。あるAZが他の2つから到達できなくなった場合、孤立したノードは食い違った情報源になるリスクを避けて自ら一時停止し、互いに通信できている2つのAZが過半数としてクラスターの稼働を続けます。アラートは、この一時停止をゾーン障害に上乗せされた別のインシデントとしてではなく、ゾーン障害時の正しい動作として想定するように設計してください。
レイテンシのバジェットは、一度きりの確認ではなく、継続的なシグナルとして監視してください。AZ間のラウンドトリップが常におよそ5ミリ秒を超えている場合は、偶発的なパーティションとして回避策を講じるのではなく、リージョンのAZ構成やクラウドプロバイダーのネットワーク経路が同一リージョン内のレイテンシとして期待どおりに動作していない兆候と捉えてください。RabbitMQを調べる前に、まずトポロジーを調査すべきです。
実際にゾーンが停止すると、次の3つのことが順に起こると想定してください。そのゾーンのノードが、残ったノード上のrabbitmqctl cluster_statusから消える。リーダーがそのゾーンにあったキューは、残ったレプリカの間で新たな選出を行う。そして、失われたゾーンのノードに接続していたすべてのクライアント接続が切断され、別のノードへの再接続が必要になる。クライアントの設定に単一ノードのアドレスをハードコーディングするのではなく、3ノードすべての前段にロードバランサーまたはDNSエントリーを置き、各ノードを個別にヘルスチェックして、ダウンしたゾーンが手作業なしで振り分け対象から外れるようにしてください。また、クライアントライブラリで自動接続リカバリーを有効にし、切断された接続がアプリケーションの再起動を必要とせず、自動的に稼働中のノードへ再接続されるようにしておきます。
本番稼働前に高可用性を証明する:障害訓練チェックリスト
一度も意図的に壊されたことのないクラスターの高可用性は、まだ理論上のものにすぎません。以下の各項目を本番稼働前に実施し、トポロジーに大きな変更を加えた後にも再度実施してください。その際は、クラスターが最終的に復旧したことを確認するだけでなく、想定される観察結果を誰かが確認するようにします。
- ノードを強制停止する(beamプロセスを
kill -9する)。想定:他の2ノードが1ハートビート間隔以内にそのノードのダウンを報告し、そのノード上にあったクォーラムキューのリーダーが再選出され、接続リカバリーを備えたクライアントはアプリケーションエラーを出さずに再接続する。 rabbitmqctl stop_appでノードをグレースフルにドレインする。想定:プロセスが実際に停止する前にリーダーシップが引き継がれ、ログに予定外の選出イベントが現れない。- ネットワークレベルで1つのゾーンを他の2つから分断する。想定:孤立したノードが
pause_minorityによって一時停止し、残りの過半数が稼働を続け、両側で同時に書き込みが受け付けられることはない。 - 1つのノードのディスクを満杯にする。想定:そのノードでディスクアラームが発生し、そのノードは新規接続をブロックし、クラスターの残りの部分には影響がない。
- 1つのノードのメモリを枯渇させる。想定:メモリアラームが発生し、そのノードへのパブリッシャーがブロックされ、コンシューマーはすでにキューに入っているメッセージの消化を続ける。
- 本番相当の負荷を継続的にかけた状態でノードを再起動する。想定:ノードが再参加し、レプリカが自動的に再同期され、手動での介入もキューの深さの目に見える急増も発生しない。
- TLS証明書を強制的に期限切れにする(または下位環境でシミュレートする)。想定:接続は無言でハングするのではなく、明確なハンドシェイクエラーで失敗する。これにより、実際の証明書が失効する前に、ローテーションのランブックが機能することを確認できる。
- 任意のノードではなく、重要なキューのリーダーを現在務めているノードを狙って停止する。想定:数秒以内に新しいリーダーが選出され、処理中のパブリッシャーコンファームはクライアントライブラリによって透過的に再試行される。
- ゾーン全体の障害をシミュレートするため、1つのAZのすべてのノードを同時に停止する。想定:残りの2ゾーンによって、クラスターとすべてのクォーラムキューが終始利用可能な状態を保つ。
- ノードに手を付ける前に、ヘルスチェックを使ってそのノードをロードバランサーの振り分け対象から外す。想定:他の操作を行う前にそのノードへのトラフィックのルーティングが止まり、クライアントから見えるエラーはゼロである。
- 1ノードずつローリングアップグレードを実施する。想定:一連の作業の間ずっとクラスターが利用可能な状態を保ち、バージョンが混在する期間は計画したメンテナンス時間内に終わる。
- 確認応答の途中でコンシューマーをクラッシュさせる。想定:接続が閉じると、未確認応答のメッセージは自動的にキューに戻り、メッセージは失われない。
- 2つのAZ間のリンクを完全に切断するのではなく、人為的にレイテンシを注入する。想定:実際のネットワーク輻輳がメトリクス上でどう見えるかがわかるため、本番のインシデント中にそれをハードウェア障害と取り違えずに済む。
マネージドKubernetes上で稼働するクラスターについては、これらの訓練のいくつか、特にノードのドレインとローリングアップグレードのケースについて、プラットフォーム固有の手順をEKS・AKS・GKEでのRabbitMQ比較とエンタープライズ向け本番RabbitMQアーキテクチャで解説しています。クラスターがすでに稼働中で、この訓練リストをゼロからスクリプト化するよりも、本番相当の負荷のもとで誰かに実施してほしいとお考えなら、それは当社のKubernetes上のミッションクリティカルな環境の安定化支援やサポートチームが日常的に手がけている業務です。訓練で実際のギャップが見つかった場合には、プランに応じた15分からの対応目標でバックアップします。
アベイラビリティゾーン間や拠点間のディザスタリカバリーはどのように機能するのか
- すべてのキュー、バインディング、エクスチェンジ、仮想ホスト、ユーザー、権限を含むRabbitMQのスキーマ全体について、ほぼリアルタイムのコピーをセカンダリ拠点に維持する
- 処理中のメッセージを非同期でセカンダリに転送し、セカンダリが最新の同期状態を保持できるようにする
- 最小限の復旧作業で、いつでもセカンダリをプライマリに昇格できる
- 双方向の昇格をサポートし、どちらの拠点もプライマリになれる
「これは環境のほぼリアルタイムのコピーです。トランザクションは実際に非同期で送られ、確認応答されます。ですから、単なるコピーから何もかも追いつかなければならないのではなく、到達できる範囲で最新の、同期されたメッセージブローカーの状態が得られるのです。」
— Scott Sternloff(AceMQ プリンシパルアーキテクト)、金融サービス企業とのディスカバリーコールにて、2026年6月
拠点をまたぐDRのライセンスはどうなるのか
「ミラーリングするのが本番だけなら、下位環境にDRは要りません。QA環境ならクラスタリング自体が不要かもしれません。動いているか止まっているか、それだけです。ですから構成をずっとシンプルにでき、その分ライセンス数も減らせます。」
— Scott Sternloff(AceMQ プリンシパルアーキテクト)、金融サービス企業とのディスカバリーコールにて、2026年6月
規制の厳しい環境では、周辺のスタックにもそれぞれ固有の義務が伴います。規制業界におけるメッセージングスタックをご覧ください。
未解決の課題が、クラスターのサイジングや配置ではなく、リージョン間でメッセージを移動する仕組みにある場合は、その判断について別のガイドがあります。ディザスタリカバリーにおけるRabbitMQのFederationとShovelの比較をご覧ください。
RabbitMQのディザスタリカバリーをテストする方法:本番稼働前に実施する訓練
実戦でノードを失った経験のないクラスターは、初めてそれが起きたとき、たいてい午前2時に、思いもよらない振る舞いを見せます。以下は、RabbitMQクラスターに本番トラフィックを流す前に、当社がお客様と一緒に実施しているプログラムです。所要時間はおよそ1日で、意見ではなく数値が得られます。
前提条件
- 本番と同じ構成のステージングクラスター。ノード数、AZの配置、RabbitMQのバージョン(当社は3.8.xから4.xまであらゆるバージョンで実施しています)、キューの種類、ポリシー、クライアントライブラリ、接続設定をすべて本番と揃えます。クォーラムキューとクラシックキューでは障害の起き方が異なるため、本番に両方があるならステージングにも両方を用意します。これがなぜ重要なのかは/blogs/rabbitmq-classic-vs-quorum-queues/をご覧ください。
- シーケンス番号付きの合成パブリッシャーとコンシューマー。各パブリッシャーはメッセージにストリームIDと増加するカウンターを付与し、各コンシューマーは受け取ったすべてのシーケンスを記録します。これにより、損失(欠番)と重複(繰り返し)を、議論の余地なく数えられるようになります。パブリッシャーはコンファームを、コンシューマーは手動の確認応答を使います。
- ダッシュボードの準備。キューの深さ、パブリッシュと配信のレート、メモリとディスクのアラーム、ノードごとのクォーラムリーダー数、接続とチャネル、クライアント側のコンファームのレイテンシを表示しておきます。見えないものは、合格を判定できません。
- ランブックの担当者の指名、共有チャネル、そして時計。
訓練の手順(この順序で実施)
- クォーラムメンバーを1つ停止する。ほとんどのキューでフォロワーになっているノードでRabbitMQを停止します。そのノードがリーダーを務めていたキューのリーダー選出と、パブリッシャー側のコンファームのレイテンシを観察します。合格基準:選出が数秒で完了し、コンシューマー側でシーケンスの欠番がゼロで、パブリッシャーコンファームが途切れずに届き続けること。ノードを再起動し、再参加して追いつくことを確認します。
- リーダーを最も多く抱えるノードを停止する。リーダーは最初に起動したノードに集中するため、これは訓練1の難易度を上げたバージョンです。そのノードを停止して同じシグナルを観察し、復旧させてからリバランスを実行します。
rabbitmq-queues rebalance quorum合格基準:損失がなく、コンファームが継続し、リバランス後にリーダー数がノード間でほぼ均等になっていること。
- ディスクの空き容量アラームが発生するまでディスクを埋める。1つのノードで、
disk_free_limitに達するまで大きなファイルを書き込みます。合格基準:管理画面でパブリッシャーの接続がブロック状態として表示され、パブリッシュは失敗するのではなく停滞し、コンシューマーは消化を続け、ファイルを削除するとパブリッシュが自動的に再開すること。コンシューマーまで止まってしまう場合は、コンシューマーがパブリッシャーと接続を共有しています。本番稼働前に修正してください。
- ノード間のネットワークを分断する。
cluster_partition_handling = pause_minorityを設定した状態で、iptablesを使って1つのノードと他の2つのノードの間の通信を遮断します。合格基準:少数側のノードが自ら一時停止し、過半数側のクォーラムキューがサービスを継続し、一時停止したノードに接続していたクライアントは接続エラーを受け取ってアドレスリストにある稼働中のホストへ再接続し、ルールを削除するとクラスターが手動での介入なしに回復すること。クライアントが出力したログを記録しておいてください。その1行こそ、オンコールのエンジニアが目にするものです。
- アベイラビリティゾーンを1つ失う。1つのAZのすべてのノードを同時に停止します。3AZの構成であれば過半数が残ります。合格基準:訓練1と同じく、損失ゼロでコンファームが継続すること。ロードバランサーが停止したノードを外すのに数秒以上かかる場合は、今のうちにヘルスチェックを修正してください。
- リージョン単位のフェイルオーバー。パブリッシャーを停止し、リージョンAで確認済みの最大のシーケンス番号を記録したうえで、リージョンAを停止し、選択したリージョン間の経路(/blogs/rabbitmq-federation-vs-shovel-disaster-recovery/を参照)を使ってリージョンBへフェイルオーバーします。RPOは、Aで確認済みなのにBに一度も現れないメッセージの数で、シーケンスのログからそのまま読み取れます。RTOは、障害発生からコンシューマーがBに対して稼働するまでの実時間です。合格基準:両方の数値が、ビジネス側が承認した目標値の範囲内に収まっていること。数値は記録しておいてください。「当社のDR体制はどうなっているのか」という問いに対する、正直な答えになります。
- 重複を出さずにフェイルバックする。リージョンAを復旧させ、トラフィックをAに戻します。合格基準:コンシューマーのシーケンスログに繰り返しがないこと。繰り返しがある場合、コンシューマーが冪等になっていません。それはブローカーではなくアプリケーション側で修正すべき問題です。
- バックアップから復元する。
rabbitmqctl export_definitionsで定義をエクスポートし、ステージングクラスターを破棄して再構築し、再インポートします。合格基準:エクスチェンジ、キュー、バインディング、vhost、ユーザー、権限、ポリシーがすべて元に戻ること。戻らないものも把握しておいてください。それはメッセージです。定義のバックアップはトポロジーであり、データではありません。メッセージを守るのはレプリケーションとリージョン間の経路であり、バックアップファイルではありません。
| 訓練 | 計測するもの | 合格基準 |
|---|---|---|
| メンバーを1つ停止 | 選出にかかる時間、シーケンスの欠番、コンファームの流れ | 数秒、ゼロ、途切れない |
| リーダーが集中したノードを停止 | 上記に加え、リバランス後のリーダーの分散 | 上記と同じ、ほぼ均等 |
| ディスクアラーム | パブリッシャーの状態、コンシューマーのスループット | ブロックされる、消化は継続 |
| ネットワークパーティション | 少数側の挙動、クライアントの再接続 | 一時停止、再接続、自己回復 |
| AZを1つ喪失 | 過半数が稼働を継続 | 損失ゼロ |
| リージョン単位のフェイルオーバー | メッセージ数で見たRPO、分単位のRTO | 合意した目標値の範囲内 |
| フェイルバック | 重複の件数 | ゼロ |
| バックアップからの復元 | 定義の再インポート | トポロジーが完全に元に戻る |
実施頻度:本番稼働前と、新しいノードの追加、AZの移動、メジャーバージョンのアップグレード、パーティション処理の変更といったトポロジーの変更後には、プログラム全体を実施してください。単一ノードの停止は四半期ごとに行います。手間がかからず、誰も意図していないうちに生じたクライアントの再接続に関するずれを発見できます。リージョン単位のフェイルオーバーは少なくとも年に1回、さらにランブックの担当者が変わるたびに実施してください。その場にいる誰も実行したことのないランブックは、能力ではなく単なる文書にすぎないからです。/blogs/top-10-rabbitmq-troubleshooting-issues-how-to-avoid-them/で取り上げた障害のほとんどは、これらの訓練のどれかで先に表面化していたはずです。
訓練を含むサイジングとDRのレビューは、AceMQが通常提供している支援です。詳しくは/rabbitmq/をご覧ください。
How to test RabbitMQ disaster recovery: the drill we run before go-live
A cluster that has never lost a node in anger will surprise you the first time it does, usually at 2am. This is the programme we run with clients before a RabbitMQ cluster carries production traffic. It takes about a day and produces numbers rather than opinions.
Pre-conditions.
- A staging cluster shaped like production: same node count, same AZ placement, same RabbitMQ version (we run this on everything from 3.8.x to 4.x), same queue types, policies, client libraries and connection settings. Quorum and classic queues fail differently, so if production has both, staging has both. See /blogs/rabbitmq-classic-vs-quorum-queues/ for why that matters here.
- Synthetic publishers and consumers with sequence numbers. Each publisher stamps messages with a stream id and an increasing counter; each consumer records every sequence it sees. That makes loss (a gap) and duplication (a repeat) countable instead of arguable. Publishers use confirms, consumers use manual acks.
- Dashboards up: queue depth, publish and deliver rates, memory and disk alarms, quorum leader count per node, connections and channels, and client-side confirm latency. If you cannot see it, you cannot pass it.
- A named runbook owner, a shared channel, and a clock.
The drills, in order.
- Kill one quorum member. Stop RabbitMQ on a node that follows most queues. Watch leader election on the queues it led and watch confirm latency at the publishers. Pass: election completes in a few seconds, zero sequence gaps at the consumers, publisher confirms keep arriving throughout. Restart the node and confirm it rejoins and catches up.
- Kill the node holding the most leaders. Leaders pile onto whichever node was up first, so this is the harder version of drill 1. Kill it, watch the same signals, bring it back, then rebalance:
rabbitmq-queues rebalance quorumPass: no loss, confirms continue, and after the rebalance the leader count is roughly even across nodes.
- Fill a disk to the free-disk alarm. Write a large file on one node until
disk_free_limittrips. Pass: publisher connections show as blocked in management, publishes stall rather than fail, consumers keep draining, and publishing resumes on its own once the file is deleted. If consumers stop too, a consumer is sharing a connection with a publisher; fix that before go-live.
- Partition the network between nodes. With
cluster_partition_handling = pause_minority, block traffic between one node and the other two using iptables. Pass: the minority node pauses itself, quorum queues on the majority side keep serving, clients on the paused node see a connection error and reconnect to a surviving host from their address list, and the cluster heals without manual intervention when the rule is removed. Record what the clients logged; that line is what your on-call engineer will see.
- Lose an availability zone. Stop every node in one AZ at once. In a three-AZ layout a majority survives. Pass: identical to drill 1, zero loss and continuing confirms. If the load balancer takes more than a few seconds to drop the dead nodes, fix the health check now.
- Regional failover. Stop the publishers, note the highest sequence confirmed in region A, take region A down, and fail over to region B using whichever cross-region path you chose (see /blogs/rabbitmq-federation-vs-shovel-disaster-recovery/). RPO is the count of messages confirmed in A that never appear in B; read it straight from the sequence logs. RTO is wall-clock time from the outage to consumers running against B. Pass: both numbers sit inside the targets the business signed off on. Write them down; they are the honest answer to "what is our DR posture".
- Failback without duplicates. Bring region A back and return traffic to it. Pass: consumer sequence logs show no repeats. If they do, the consumers are not idempotent, and that is an application fix, not a broker fix.
- Restore from backup. Export definitions with
rabbitmqctl export_definitions, destroy the staging cluster, rebuild it, re-import. Pass: exchanges, queues, bindings, vhosts, users, permissions and policies all come back. Know what does not: messages. A definitions backup is topology, not data. Message survival comes from replication and the cross-region path, never from a backup file.
| Drill | What you measure | Pass criterion |
|---|---|---|
| Kill one member | Election time, sequence gaps, confirm flow | Seconds, zero, uninterrupted |
| Kill the leader-heavy node | Same, plus leader spread after rebalance | Same, roughly even |
| Disk alarm | Publisher state, consumer throughput | Blocked, keeps draining |
| Network partition | Minority behaviour, client reconnect | Pauses, reconnects, self-heals |
| Lose an AZ | Majority continues | Zero loss |
| Regional failover | RPO in messages, RTO in minutes | Inside agreed targets |
| Failback | Duplicate count | Zero |
| Restore from backup | Definitions re-imported | Full topology back |
Cadence. Run the full programme before go-live and again after any topology change: a new node, an AZ move, a major version upgrade, a change to partition handling. Run the single-node kill quarterly; it is cheap and catches client reconnect drift nobody meant to introduce. Run the regional failover at least yearly and whenever the runbook owner changes, because a runbook nobody present has executed is a document, not a capability. Most of the failures in /blogs/top-10-rabbitmq-troubleshooting-issues-how-to-avoid-them/ would have surfaced in one of these drills first.
A sizing and DR review, drills included, is a normal AceMQ engagement; see /rabbitmq/.
This post is one step in two longer sequences: the RabbitMQ disaster recovery guide takes HA and DR from the failure you are protecting against through to the failover test, and the clustering and sizing guide covers the node, queue-type and sizing decisions that come first.
よくある質問
RabbitMQのディザスタリカバリーはどのようにテストすればよいですか?
本番と同じ構成のステージングクラスターを構築し、すべてのメッセージにシーケンス番号を付与する合成のパブリッシャーとコンシューマーを動かしたうえで、1ノード、リーダーが集中しているノード、ディスクフル、ネットワークパーティション、アベイラビリティゾーン全体、そして最後にリージョン全体と、順番に障害を起こしていきます。各訓練には計測可能な合格基準があり、シーケンスのログを見れば、失われたメッセージや重複したメッセージの数が正確にわかります。リージョン単位の訓練からは、実際のRPOとRTOの数値が得られます。最後に定義(definitions)のエクスポートと再インポートを行い、チームがゼロからクラスターを復元する経験を少なくとも一度は積んでおきます。
RabbitMQのフェイルオーバーテストはどのくらいの頻度で行うべきですか?
本番稼働前と、ノードの追加、AZの移動、メジャーバージョンのアップグレード、パーティション処理の変更など、トポロジーを変更した後には、訓練プログラム全体を実施してください。単一ノードの停止は四半期ごとに行います。1時間で済み、クライアントの再接続に関するデグレードを早期に発見できます。リージョン単位のフェイルオーバーは少なくとも年に1回、さらにランブックの担当者が変わるたびに実施してください。訓練の目的は、オンコールの担当者が実際にそれを経験していることにあるからです。現在のローテーションに入っている誰もフェイルオーバーを実行したことがないなら、すでに実施時期を過ぎています。サポート契約を結んでいるAceMQのお客様は、これらの訓練を当社と一緒に計画でき、実際にフェイルオーバーが発生した場合はプランに応じた15分からの対応目標のもとで対応を受けられます。詳しくは/support/をご覧ください。
RabbitMQクラスターのサイジングを専門家に依頼できますか?
はい。BroadcomのRabbitMQにおける独占的な戦略的MSPパートナーであるAceMQのサイジング支援は、お客様の実際の数値から始まります。メッセージレート、ペイロードサイズ、キュー数、コンシューマー数、コンシューマー停止時に滞留するメッセージ量、そしてビジネスが実際に必要とするRPOとRTOです。成果物として、ノード数とAZの配置、余裕を見込んだノードごとのCPU・メモリ・ディスクの数値、クォーラムキューとポリシーの設定、パーティション処理に関する推奨事項、必要に応じたリージョン間の設計、そして本番稼働前に結果を検証するための訓練計画を提供します。サイジングは、より広範な高可用性とDRのレビューの一部です。詳しくは/rabbitmq/をご覧ください。
複数のアベイラビリティゾーンにまたがるRabbitMQクラスターはどう設計すればよいですか?
AZごとに1ノードを配置し、3つのAZを標準のベースラインとします。単一リージョン内のAZ間レイテンシは通常1〜2ミリ秒であり、Raftコンセンサスが許容できる範囲に十分収まるからです。3ノードクラスターでは、クォーラムメンバーの配置はノードの配置に自動的に従うため、各キューはゾーンごとに1つのレプリカを持つことになります。ゾーンに到達できなくなった場合は`pause_minority`が保護します。孤立したノードは一時停止し、残りの2ゾーンの過半数が稼働を続けます。3ノードすべての前段にロードバランサーまたはDNSエントリーを置き、クライアント側の接続リカバリーを有効にしておけば、ゾーンが失われても手動で再接続する必要はありません。
本番稼働前にRabbitMQの高可用性をテストするにはどうすればよいですか?
ノードの強制停止、グレースフルなドレイン、ゾーン単位のパーティション、ディスクとメモリの枯渇、ローリングアップグレード、AZ全体の障害のシミュレーションを網羅した体系的な障害訓練を、それぞれ想定される観察結果を文書化したうえで実施します。目的は、クラスターが最終的に復旧することを確認するだけでなく、アーキテクチャが想定しているとおりに振る舞うことを証明することです。本番稼働前に実施し、トポロジーやバージョンに大きな変更を加えた後にも再度実施してください。検証されていない高可用性の前提は、実際のインシデントで初めて問題が表面化しがちだからです。
How do I test RabbitMQ high availability before production?
Run a structured failure drill covering node kills, graceful drains, zone-level partitions, disk and memory exhaustion, rolling upgrades, and a full simulated AZ outage, each with a written expected observation. The goal is proving the cluster behaves the way your architecture assumes it will, not just confirming it eventually comes back online. Do this before go-live and again after any significant topology or version change, since untested assumptions about HA tend to surface for the first time during a real incident.