Nesta página
Quantos nós um cluster RabbitMQ deve ter?
"O dimensionamento mínimo é de três nós em um cluster, e três é, na verdade, o estado normal recomendado até você chegar a preocupações de throughput realmente alto."
— Scott Sternloff, arquiteto principal da AceMQ, chamada de discovery com uma empresa de serviços financeiros, junho de 2026
Como a HA das quorum queues realmente funciona?
- As mensagens são gravadas em N/2+1 nós antes de serem confirmadas (onde N é o tamanho do cluster)
- Em um cluster de três nós, as mensagens precisam ser gravadas em pelo menos dois nós antes da confirmação
- Se um nó falha, as mensagens continuam disponíveis nos outros dois, sem perda de dados
- A eleição de líder é automática: se o nó primário de uma fila falha, uma das réplicas é promovida
Como dimensionar um cluster para o seu throughput?
"Você não quer superprovisionar sem necessidade, mas também não quer voltar logo em seguida dizendo que está no limite e tentar conseguir orçamento de novo. A questão é o que é crítico, com equilíbrio."
— Scott Sternloff, arquiteto principal da AceMQ, chamada de discovery com uma empresa de serviços financeiros, junho de 2026
Distribuindo um cluster em três zonas de disponibilidade
Um cluster esticado entre regiões com latência de rede real esbarra no atraso do consenso Raft descrito acima, e essa é uma limitação real. Três zonas de disponibilidade dentro de uma única região são outra situação. Os round trips entre AZs dentro de uma região normalmente ficam entre um e dois milissegundos, bem dentro do que o consenso Raft tolera sem tratar a latência normal como sinal de falha. É por isso que um nó por AZ é o padrão de produção, e não um meio-termo.
Três é o mínimo pelo mesmo motivo que é o mínimo em todo o resto deste guia, só que aplicado ao espaço: um nó em cada uma de três AZs dá tolerância a falhas de nó e tolerância a falhas de zona com a mesma topologia de três nós, sem precisar de nós adicionais para ter as duas. Um cluster com os três nós em uma única AZ tem a tolerância no nível de nó sem a tolerância no nível de zona, o que anula o sentido de estar em uma região multi-AZ.
Em um cluster de três nós e três AZs, o posicionamento dos membros do quórum segue automaticamente o posicionamento dos nós: as três réplicas de cada fila caem uma por zona por padrão, já que o RabbitMQ coloca um membro por nó até o tamanho de grupo configurado. Em clusters maiores, que abrangem mais de três AZs ou têm mais de três nós por AZ, não presuma que isso se mantém: defina a policy queue-leader-locator como balanced e confirme com rabbitmqctl list_queues name leader members que as réplicas das suas filas críticas não estão se acumulando em uma única zona.
É o pause_minority que realmente protege você quando uma zona sai do ar, e não só quando um único nó falha. Isso vale para a 4.2 e versões anteriores. No RabbitMQ 4.3 e posteriores, isso deixa de se aplicar: a 4.3.0 removeu o Mnesia e, junto com ele, as estratégias de tratamento de partições; cluster_partition_handling ainda é aceito no rabbitmq.conf, mas não tem efeito, e o metadata store, as quorum queues e os streams são todos baseados em Raft, então apenas a regra de maioria do Raft decide qual lado continua atendendo. Remova a chave quando fizer o upgrade. Se uma AZ fica inacessível a partir das outras duas, o nó isolado entra em pausa em vez de correr o risco de virar uma fonte da verdade divergente, e as duas AZs que ainda se enxergam mantêm o cluster rodando como maioria. Projete os seus alertas esperando essa pausa como o comportamento correto em uma indisponibilidade de zona, e não como um incidente adicional em cima dela.
Acompanhe o orçamento de latência como um sinal contínuo, e não como uma verificação única. Se os round trips entre AZs estão consistentemente acima de cerca de cinco milissegundos, não faça ajustes para contornar isso como se fosse uma partição aleatória; trate como sinal de que a distribuição de AZs da região ou o caminho de rede do seu provedor de nuvem não está se comportando como latência dentro da mesma região, e investigue a topologia antes de investigar o RabbitMQ.
Quando uma zona de fato cai, espere que três coisas aconteçam, nesta ordem: o nó daquela zona some do rabbitmqctl cluster_status nos nós sobreviventes, toda fila que tinha o líder naquela zona faz uma nova eleição entre as réplicas sobreviventes e toda conexão de cliente fixada no nó da zona perdida cai e precisa se reconectar em outro lugar. Coloque um load balancer ou uma entrada de DNS na frente dos três nós em vez de fixar o endereço de um único nó na configuração dos clientes, faça health checks de cada nó individualmente para que uma zona fora do ar saia da rotação sem passo manual e garanta que as bibliotecas de cliente tenham a recuperação automática de conexão ativada, para que uma conexão perdida se reconecte sozinha a um nó sobrevivente em vez de exigir o restart da aplicação.
Comprovando a alta disponibilidade antes do go-live: checklist de exercícios de falha
Um cluster que nunca foi quebrado de propósito é um cluster cujas promessas de HA ainda são teóricas. Rode cada um destes exercícios antes do go-live, e de novo depois de qualquer mudança significativa de topologia, com alguém acompanhando a observação esperada, e não apenas confirmando que o cluster acabou voltando.
- Mate um nó de vez (
kill -9no processo beam). Esperado: os outros dois nós o reportam como fora do ar dentro de um intervalo de heartbeat, os líderes de quorum queues daquele nó são reeleitos e os clientes com recuperação de conexão se reconectam sem erro na aplicação. - Faça o drain controlado de um nó com
rabbitmqctl stop_app. Esperado: a liderança é transferida antes de o processo realmente parar, e nenhum evento de eleição não planejado aparece no log. - Isole uma zona das outras duas no nível de rede. Esperado: o nó isolado entra em pausa com
pause_minority, a maioria sobrevivente continua rodando e nenhuma escrita é aceita nos dois lados ao mesmo tempo. - Encha o disco de um nó. Esperado: um disk alarm dispara localmente, esse nó bloqueia novas conexões e o resto do cluster não é afetado.
- Esgote a memória de um nó. Esperado: um memory alarm dispara, os publishers desse nó são bloqueados e os consumidores continuam drenando o que já está na fila.
- Reinicie um nó sob carga contínua equivalente à de produção. Esperado: ele volta ao cluster e as suas réplicas ressincronizam automaticamente, sem intervenção manual e sem pico visível na profundidade das filas.
- Force a expiração de um certificado TLS (ou simule em um ambiente inferior). Esperado: as conexões falham com um erro de handshake claro, e não com um travamento silencioso, confirmando que o seu runbook de rotação funciona antes que um certificado real expire.
- Mate especificamente o nó que lidera uma fila crítica, e não um nó qualquer. Esperado: um novo líder é eleito em segundos e os publisher confirms em andamento são reenviados de forma transparente pela biblioteca de cliente.
- Pare todos os nós de uma AZ ao mesmo tempo para simular a indisponibilidade de uma zona inteira. Esperado: as duas zonas restantes mantêm o cluster e todas as quorum queues disponíveis durante todo o tempo.
- Tire um nó da rotação do load balancer pelo health check antes de mexer nele. Esperado: o tráfego deixa de ser roteado para ele antes de qualquer outra ação, sem nenhum erro visível para os clientes.
- Faça um rolling upgrade, um nó por vez. Esperado: o cluster fica disponível durante toda a sequência, e a janela com versões mistas se fecha dentro do tempo de manutenção planejado.
- Derrube um consumidor no meio de uma confirmação. Esperado: as mensagens não confirmadas voltam automaticamente para a fila assim que a conexão é encerrada, sem perda de mensagens.
- Injete latência artificial entre duas AZs em vez de derrubar o link por completo. Esperado: isso mostra como um congestionamento de rede real aparece nas suas métricas, para que você não o confunda com uma falha de hardware durante um incidente de verdade.
Para clusters em Kubernetes gerenciado, a versão específica de cada plataforma de vários desses exercícios, principalmente os casos de drain de nó e de rolling upgrade, é abordada em RabbitMQ no EKS vs. AKS vs. GKE e em arquitetura de RabbitMQ em produção para empresas. Se o seu cluster já está no ar e você prefere que alguém rode esta lista de exercícios com carga equivalente à de produção em vez de escrever os scripts do zero, esse é o tipo de projeto que o nosso trabalho de estabilização de Kubernetes de missão crítica e a nossa equipe de suporte conduzem com frequência, com metas de resposta a partir de 15 minutos, conforme o plano, caso algum exercício revele uma lacuna real.
Como funciona a recuperação de desastres entre zonas de disponibilidade ou sites?
- Mantém em um site secundário uma cópia quase em tempo real de todo o schema do RabbitMQ: todas as filas, bindings, exchanges, virtual hosts, usuários e permissões
- Encaminha as mensagens em trânsito de forma assíncrona para o secundário, para que ele tenha o estado sincronizado mais recente
- Permite promover o secundário a primário a qualquer momento, com esforço mínimo de recuperação
- Suporta promoção bidirecional: qualquer um dos sites pode virar o primário
"É uma cópia quase em tempo real do ambiente. As transações são de fato enviadas de forma assíncrona e confirmadas. Então, em vez de ser uma cópia em que você precisa recuperar o atraso de tudo, é o estado sincronizado mais recente do message broker que você consegue ter."
— Scott Sternloff, arquiteto principal da AceMQ, chamada de discovery com uma empresa de serviços financeiros, junho de 2026
E o licenciamento de DR entre sites?
"Se você só está espelhando a produção, os ambientes inferiores não precisam de DR. O seu ambiente de QA talvez nem precise de cluster: ele simplesmente está no ar ou fora do ar. Então dá para simplificar muito e reduzir a quantidade de licenças na mesma proporção."
— Scott Sternloff, arquiteto principal da AceMQ, chamada de discovery com uma empresa de serviços financeiros, junho de 2026
Em ambientes regulados, a stack ao redor tem as suas próprias obrigações; veja a stack de mensageria em setores regulados.
Se a dúvida em aberto é o mecanismo para mover mensagens entre regiões, e não como dimensionar e posicionar os clusters, essa decisão tem um guia próprio: federation vs. shovel no RabbitMQ para recuperação de desastres.
Como testar a recuperação de desastres do RabbitMQ: o exercício que fazemos antes do go-live
Um cluster que nunca perdeu um nó para valer vai surpreender você na primeira vez que isso acontecer, normalmente às 2h da manhã. Este é o programa que rodamos com os clientes antes que um cluster RabbitMQ receba tráfego de produção. Ele leva cerca de um dia e produz números, e não opiniões.
Pré-requisitos.
- Um cluster de staging com o mesmo formato da produção: mesma quantidade de nós, mesmo posicionamento por AZ, mesma versão do RabbitMQ (rodamos isto em tudo, da 3.8.x à 4.x), mesmos tipos de fila, policies, bibliotecas de cliente e configurações de conexão. Quorum queues e classic queues falham de formas diferentes, então, se a produção tem as duas, o staging também tem. Veja /blogs/rabbitmq-classic-vs-quorum-queues/ para entender por que isso importa aqui.
- Publishers e consumidores sintéticos com números de sequência. Cada publisher marca as mensagens com um stream id e um contador crescente; cada consumidor registra toda sequência que vê. Isso torna a perda (uma lacuna) e a duplicação (uma repetição) contáveis, em vez de discutíveis. Os publishers usam confirms, os consumidores usam acks manuais.
- Dashboards no ar: profundidade das filas, taxas de publish e de deliver, memory e disk alarms, quantidade de líderes de quórum por nó, conexões e canais e latência de confirm no lado do cliente. Se você não consegue ver, não consegue passar no teste.
- Um responsável designado pelo runbook, um canal compartilhado e um relógio.
Os exercícios, em ordem.
- Derrube um membro do quórum. Pare o RabbitMQ em um nó que é seguidor da maioria das filas. Acompanhe a eleição de líder nas filas que ele liderava e a latência de confirm nos publishers. Aprovação: a eleição termina em poucos segundos, sem lacunas de sequência nos consumidores, e os publisher confirms continuam chegando o tempo todo. Reinicie o nó e confirme que ele volta ao cluster e se atualiza.
- Derrube o nó com mais líderes. Os líderes se acumulam no nó que subiu primeiro, então esta é a versão mais difícil do exercício 1. Derrube-o, acompanhe os mesmos sinais, traga-o de volta e então rebalanceie:
rabbitmq-queues rebalance quorumAprovação: nenhuma perda, os confirms continuam e, depois do rebalance, a quantidade de líderes fica mais ou menos equilibrada entre os nós.
- Encha um disco até o alarme de espaço livre. Grave um arquivo grande em um nó até o
disk_free_limitdisparar. Aprovação: as conexões dos publishers aparecem como bloqueadas no management, as publicações ficam paradas em vez de falhar, os consumidores continuam drenando e a publicação volta sozinha quando o arquivo é apagado. Se os consumidores também pararem, há um consumidor compartilhando conexão com um publisher; corrija isso antes do go-live.
- Particione a rede entre os nós. Com
cluster_partition_handling = pause_minority, bloqueie o tráfego entre um nó e os outros dois usando iptables. Aprovação: o nó em minoria entra em pausa, as quorum queues do lado da maioria continuam atendendo, os clientes do nó pausado veem um erro de conexão e se reconectam a um host sobrevivente da sua lista de endereços, e o cluster se recupera sem intervenção manual quando a regra é removida. Registre o que os clientes logaram: é essa linha que o seu engenheiro de plantão vai ver.
- Perca uma zona de disponibilidade. Pare todos os nós de uma AZ de uma vez. Em uma distribuição de três AZs, a maioria sobrevive. Aprovação: idêntica ao exercício 1, sem perda e com os confirms continuando. Se o load balancer levar mais do que alguns segundos para tirar os nós mortos, corrija o health check agora.
- Failover regional. Pare os publishers, anote a maior sequência confirmada na região A, derrube a região A e faça o failover para a região B usando o caminho entre regiões que você escolheu (veja /blogs/rabbitmq-federation-vs-shovel-disaster-recovery/). O RPO é a quantidade de mensagens confirmadas em A que nunca aparecem em B; leia direto dos logs de sequência. O RTO é o tempo de relógio entre a indisponibilidade e os consumidores rodando contra B. Aprovação: os dois números ficam dentro das metas que o negócio aprovou. Anote-os: eles são a resposta honesta para "qual é a nossa postura de DR".
- Failback sem duplicatas. Traga a região A de volta e devolva o tráfego para ela. Aprovação: os logs de sequência dos consumidores não mostram repetições. Se mostrarem, os consumidores não são idempotentes, e isso é uma correção na aplicação, não no broker.
- Restaure a partir do backup. Exporte as definitions com
rabbitmqctl export_definitions, destrua o cluster de staging, reconstrua-o e reimporte. Aprovação: exchanges, filas, bindings, vhosts, usuários, permissões e policies voltam todos. Saiba o que não volta: as mensagens. Um backup de definitions é topologia, não dados. A sobrevivência das mensagens vem da replicação e do caminho entre regiões, nunca de um arquivo de backup.
| Exercício | O que você mede | Critério de aprovação |
|---|---|---|
| Derrubar um membro | Tempo de eleição, lacunas de sequência, fluxo de confirms | Segundos, zero, sem interrupção |
| Derrubar o nó com mais líderes | O mesmo, mais a distribuição de líderes após o rebalance | O mesmo, mais ou menos equilibrada |
| Disk alarm | Estado dos publishers, throughput dos consumidores | Bloqueados, continua drenando |
| Partição de rede | Comportamento da minoria, reconexão dos clientes | Pausa, reconecta, se recupera sozinho |
| Perder uma AZ | A maioria continua | Perda zero |
| Failover regional | RPO em mensagens, RTO em minutos | Dentro das metas acordadas |
| Failback | Quantidade de duplicatas | Zero |
| Restaurar a partir do backup | Definitions reimportadas | Topologia completa de volta |
Frequência. Rode o programa completo antes do go-live e de novo depois de qualquer mudança de topologia: um nó novo, uma mudança de AZ, um upgrade de versão principal, uma alteração no tratamento de partições. Rode a queda de um único nó a cada trimestre; é barato e detecta desvios de reconexão dos clientes que ninguém quis introduzir. Rode o failover regional pelo menos uma vez por ano e sempre que o responsável pelo runbook mudar, porque um runbook que ninguém presente executou é um documento, não uma capacidade. A maioria das falhas de /blogs/top-10-rabbitmq-troubleshooting-issues-how-to-avoid-them/ teria aparecido antes em um desses exercícios.
Uma revisão de dimensionamento e DR, com exercícios incluídos, é um projeto normal da AceMQ; veja /rabbitmq/.
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.
Perguntas frequentes
Como testar a recuperação de desastres do RabbitMQ?
Monte um cluster de staging com o mesmo formato da produção, rode publishers e consumidores sintéticos que marcam cada mensagem com um número de sequência e então quebre as coisas em ordem: um nó, o nó com mais líderes, um disco cheio, uma partição de rede, uma zona de disponibilidade inteira e, por fim, a região. Cada exercício tem um critério de aprovação mensurável, e os logs de sequência mostram exatamente quantas mensagens foram perdidas ou duplicadas. O exercício regional dá números reais de RPO e RTO. Termine com uma exportação e reimportação das definitions, para que a equipe tenha restaurado um cluster do zero pelo menos uma vez.
Com que frequência o failover do RabbitMQ deve ser testado?
Rode o programa completo de exercícios antes do go-live e depois de qualquer mudança de topologia, incluindo adição de nós, mudanças de AZ, upgrades de versão principal e alterações no tratamento de partições. Derrube um único nó a cada trimestre; leva uma hora e detecta cedo regressões de reconexão dos clientes. Rode o failover regional pelo menos uma vez por ano e de novo sempre que o responsável pelo runbook mudar, porque o objetivo do exercício é que as pessoas de plantão já tenham feito aquilo de verdade. Se ninguém da escala atual executou o failover, você está atrasado. Clientes da AceMQ com contrato de suporte agendam esses exercícios com a gente, com metas de resposta a partir de 15 minutos, conforme o plano, se um failover real acontecer; veja /support/.
Especialistas podem dimensionar o nosso cluster RabbitMQ?
Sim. Um projeto de dimensionamento com a AceMQ, parceira MSP estratégica exclusiva da Broadcom para RabbitMQ, começa pelos seus números reais: taxas de mensagens, tamanhos de payload, quantidade de filas, quantidade de consumidores, retenção durante uma indisponibilidade dos consumidores e o RPO e o RTO de que o negócio realmente precisa. O resultado é uma quantidade de nós e uma distribuição por AZ, números de CPU, memória e disco por nó com folga, configurações de quorum queues e de policies, uma recomendação de tratamento de partições, um design entre regiões quando necessário e um plano de exercícios para comprovar o resultado antes do go-live. O dimensionamento é uma parte de uma revisão mais ampla de HA e DR; veja /rabbitmq/.
Como projetar um cluster RabbitMQ em várias zonas de disponibilidade?
Coloque um nó por AZ, com três AZs como base padrão, já que a latência entre AZs dentro de uma mesma região costuma ser de um a dois milissegundos, bem dentro do que o consenso Raft tolera. Em um cluster de três nós, o posicionamento dos membros do quórum segue automaticamente o posicionamento dos nós, dando a cada fila uma réplica por zona. O `pause_minority` protege você se uma zona ficar inacessível: o nó isolado entra em pausa enquanto a maioria sobrevivente, em duas zonas, continua operando. Coloque um load balancer ou uma entrada de DNS na frente dos três nós e ative a recuperação de conexão no cliente, para que a perda de uma zona não exija reconexão manual.
Como testar a alta disponibilidade do RabbitMQ antes da produção?
Rode um exercício de falhas estruturado que cubra queda de nós, drains controlados, partições no nível de zona, esgotamento de disco e de memória, rolling upgrades e uma indisponibilidade simulada de uma AZ inteira, cada um com uma observação esperada por escrito. O objetivo é comprovar que o cluster se comporta como a sua arquitetura supõe, e não apenas confirmar que ele acaba voltando. Faça isso antes do go-live e de novo depois de qualquer mudança significativa de topologia ou de versão, já que suposições não testadas sobre HA tendem a aparecer pela primeira vez durante um incidente real.
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.