2020/05/04 Fin-JAWS#12 「4/20に発生したAWS障害、何が起きてたの？」

https://fin-jaws.connpass.com/event/174892/

Transcript

1. 4/20に発生したAWS障害、 何が起きてたの？ 2020/05/04 株式会社QUICK / 小出 淳二 3限：情報
2. 2 Copyright © 2020 QUICK Corp. All Rights Reserved. 小出 淳二 Junji Koide ・株式会社QUICK ・フィンテック事業室 プリンシパル ソリュー ションアーキテクト ・Fin-JAWS運営 ・AWS認定資格10冠 情報安全確保支援士 re:Inventは2015,2016,2017 ,2019の4回参加。 ・趣味：海外旅行 訪問国は60カ国。 世界一周2回、パミール 高原横断 自己紹介
3. 3 Copyright © 2020 QUICK Corp. All Rights Reserved. アジェンダ ・障害内容 ・QUICKでは何が起きていたか ・課題および今後の対応 ・マルチリージョンのアクティブ＋ アクティブ構成って現実的なの？
4. 4 Copyright © 2020 QUICK Corp. All Rights Reserved. アジェンダ ・障害内容 ・QUICKでは何が起きていたか ・課題および今後の対応 ・マルチリージョンのアクティブ ＋アクティブ構成って現実的な の？
5. 5 Copyright © 2020 QUICK Corp. All Rights Reserved. 公式情報からわかること Service Health Dashboard https://status.aws.amazon.com/ #AP_block
6. 6 Copyright © 2020 QUICK Corp. All Rights Reserved. SQS
7. 7 Copyright © 2020 QUICK Corp. All Rights Reserved. Lambda
8. 8 Copyright © 2020 QUICK Corp. All Rights Reserved. Cloudwatch
9. 9 Copyright © 2020 QUICK Corp. All Rights Reserved. CloudFormation
10. 10 Copyright © 2020 QUICK Corp. All Rights Reserved. 下記時間帯に各サービスで障害発生 ・SQS 18:56～22:04 ・Lambda 19:03～22:50 ・Cloudwatch 19:03～21:42 ・CloudFormation 19:00～21:40 （考察） ・SQSの障害が一番早い ・Lambdaは非同期処理のみ影響を受けている ・非同期処理と言えばSQSなので、SQS障害で他の サービスが巻き添え食ったのかな？
11. 11 Copyright © 2020 QUICK Corp. All Rights Reserved. アジェンダ ・障害内容 ・QUICKでは何が起きていたか ・課題および今後の対応 ・マルチリージョンのアクティブ ＋アクティブ構成って現実的な の？
12. 12 Copyright © 2020 QUICK Corp. All Rights Reserved. QUICKのサービスは大丈夫だったの？ →一部業務に影響があったが、 サービスとしては結果的に影響なし
13. 13 Copyright © 2020 QUICK Corp. All Rights Reserved. 19:52 以下のRSSをSlack通知で検知
14. 14 Copyright © 2020 QUICK Corp. All Rights Reserved. その後、AWSチームより下記内容を社内周知。 各システム担当に確認を依頼 ・東京リージョンの複数サービス（Lambda、 Cloudwatch、SQS、CloudFormation）で障 害中
15. 15 Copyright © 2020 QUICK Corp. All Rights Reserved. 下記２システムに影響あり ① サーバレス情報収集 ② ログ分析基盤
16. 16 Copyright © 2020 QUICK Corp. All Rights Reserved. 他には、 ・CloudWatchイベントを利用し5分毎に実行している監視 処理が18:55以降実行されない（100%NGではない） ・S3イベント契機（ファイルPUT）で実行される処理が実 行されない ・CloudWatchイベントでEC2停止用Lambdaを実行してい るが、Lambdaが実行されずEC2が停止していない ・Cloudwatchイベントで定期的なバックアップ取得を実 行しているが実行されない などなど
17. 17 Copyright © 2020 QUICK Corp. All Rights Reserved. ポイント：同期呼び出しのLambdaは問題なかった 例）API Gateway＋Lambdaの構成とか （デフォルトだと同期呼び出しでInvokeされる） 非同期呼び出しのエラーハンドリングは、以下のクラメ ソさんブログが非常に参考になります。 https://dev.classmethod.jp/articles/asynchronous- lambda-error-handling-done-right/
18. 18 Copyright © 2020 QUICK Corp. All Rights Reserved. ① サーバレス情報収集 JAWS-UG 初心者支部#22 Fin-JAWS コラボ＆ミニハンズオン会にて弊社 大熊が登壇し紹介させていただいた 構成。 https://www.slideshare.net/KahoriTakeda/ 20200129-jawsug-bgnr22
19. 19 Copyright © 2020 QUICK Corp. All Rights Reserved. 構成・処理概要①
20. 20 Copyright © 2020 QUICK Corp. All Rights Reserved. 構成・処理概要②
21. 21 Copyright © 2020 QUICK Corp. All Rights Reserved. 4/20分の入力業務に関して全て手動実行 で対応済み。結局人手でリカバー
22. 22 Copyright © 2020 QUICK Corp. All Rights Reserved. そんなウマい話しはなかった・・
23. 23 Copyright © 2020 QUICK Corp. All Rights Reserved. ② ログ分析基盤 https://classmethod.jp/cases/quick/
24. 24 Copyright © 2020 QUICK Corp. All Rights Reserved. サーバレス構成
25. 25 Copyright © 2020 QUICK Corp. All Rights Reserved. ・3時間ほどログの更新がほぼ停止状態 ・そもそも20時過ぎ以降Athenaが全く使えなかった （Personal Health Dashboardもご確認ください） ・処理が22時過ぎ以降に遅延したため正しいフォルダに格納 されない 例）hours=13(JST22時台)に20時台のログが格納
26. 26 Copyright © 2020 QUICK Corp. All Rights Reserved. 22時以降、遅延していた処理が順次実行され復旧 SQS NumberOfMessagesSent Lambda ConcurrentExecutions（全体） 同時実行数は要注意！（デフォルトで1アカウント1000）
27. 27 Copyright © 2020 QUICK Corp. All Rights Reserved. EC2/API RequestLimitExceeded Lambda Error 遅延処理が集中して実行されたため、Lambdaが呼び出すEC2/APIの スロットリングが発生。 Lambdaの処理内容によっては、Lambda同時実行数の予約を忘れずに！
28. 28 Copyright © 2020 QUICK Corp. All Rights Reserved. ※API Request Throttlingの仕様はこちら参照 （英語のみ） https://docs.aws.amazon.com/AWSEC2/latest/APIRefer ence/throttling.html 上限緩和も申請可能。
29. 29 Copyright © 2020 QUICK Corp. All Rights Reserved. ※EC2/APIメトリクスのモニタリングはサ ポートへの申請が必要。 https://docs.aws.amazon.com/ja_jp/AWSEC2/latest/API Reference/monitor.html
30. 30 Copyright © 2020 QUICK Corp. All Rights Reserved. アジェンダ ・障害内容 ・QUICKでは何が起きていたか ・課題および今後の対応 ・マルチリージョンのアクティブ ＋アクティブ構成って現実的な の？
31. 31 Copyright © 2020 QUICK Corp. All Rights Reserved. ・監視モニタリングの強化（短期課題） 今回Cloudwatchが障害だったので障害通知遅延も想定し、 AWSサービス以外を中心に監視強化を検討する。 ・Zabbixによる検知 何らかの作り込みでLambda稼働を監視 ・他サービス（Mackerel、Datadog）での外形監視 →現状Mackerelは東京リージョンのみ！ Datadogは他リージョン選択可能 ・他リージョンからのCloudwatchSynthetics外形監視
32. 32 Copyright © 2020 QUICK Corp. All Rights Reserved. ・マネージドサービスの代替検討（中長期課題） データ欠損なく超短時間で復旧するため、マネージドサー ビスの代替サブシステムを構築する（EC2プラットフォー ム上とか） お金かけてやれば当然構築は可能。しかし数年に１回ある かないか？の障害に対して、それに備えるコストは本当に 見合うのでしょうか？
33. 33 Copyright © 2020 QUICK Corp. All Rights Reserved. システム/サービスの重要度に応じて、どこま でリスクを許容しどこまでコストを掛けて対 応するかのバランスが重要。 でもマネージドサービスのリスクは可視化し にくいのでどこまで何を想定するかが難しい。 本当にRoute53がNGだったときまで考える？
34. 34 Copyright © 2020 QUICK Corp. All Rights Reserved. アジェンダ ・障害内容 ・QUICKでは何が起きていたか ・課題および今後の対応 ・マルチリージョンのアクティブ＋ アクティブ構成って現実的なの？
35. 35 Copyright © 2020 QUICK Corp. All Rights Reserved. ・東京リージョンからのネットワーク遅延（クラメソ鈴木さん） https://dev.classmethod.jp/articles/hongkong-ec2-s3-rtt/
36. 36 Copyright © 2020 QUICK Corp. All Rights Reserved. 弊社サービスは、リアル株価の更 新がビジネスのコアなので、この ネットワーク遅延レベルであれば 大阪リージョン前提のマルチリー ジョンは十分検討可能！
37. 弊社構成概略図 Corporate data center AWS Direct Connect （TY2） AWS Direct Connect (CC1) AWS Cloud Availability Zone Public subne t Private subnet Public subne t Instances(web) Private subnet Instances(db) Private subnet Instances(web) Private subnet Instances(db) VPC 大阪リージョンとオンプレミス接続の構成については検討が必要。 オンプレ～OS1直接の専用線接続は高価。Direct Connect Gateway、 Transit Gateway Inter-Region Peering等検討していく。
38. 38 Copyright © 2020 QUICK Corp. All Rights Reserved. 大阪ローカルリージョン、早くフル リージョンになって！ https://aws.amazon.com/jp/blogs/news/in-the-works-aws- osaka-local-region-expansion-to-full-region/
39. 39 Copyright © 2020 QUICK Corp. All Rights Reserved. GWにこちらの動画を見て検討して いこうと思っています。 https://www.youtube.com/watch?v=3K9AzSrCmiQ AWS re:Invent 2019: [REPEAT 2] Architecture patterns for multi-region active-active (ARC213-R2)
40. 40 Copyright © 2020 QUICK Corp. All Rights Reserved. ご静聴ありがとう ございました