双机房业务通过云专线互联,怎样设计备用链路以减少单点故障影响?

发布人:A5数据发布时间:2026-11-17 15:16阅读量:2

云专线在双机房架构中承担的并不只是“把两地连起来”。边界路由器负责建立和调整路由,云侧网关负责转发不同网络之间的流量,防火墙和负载均衡设备负责访问控制与业务接管,数据库或存储系统则负责把数据副本同步到另一机房。任意一个环节只有单份实例,线路增加到两条也可能仍然存在单点故障。

因此,备用链路的设计重点不是简单购买第二条云专线,而是明确故障范围、确认哪些组件能够独立工作,并让路由、业务状态和数据副本在故障发生后按照预期协作。

先区分四类“冗余”

双机房业务的可用性通常由多个层面共同决定。机房数量、线路数量、设备数量和数据副本数量并不等价,不能用其中一个指标代替全部冗余能力。

冗余层面需要避免的单点常见设计方式主要验证内容
机房冗余单一楼宇、供电系统或机房环境故障两个独立机房,尽量处于不同供电和网络故障域一处机房失效后,另一处能否承载关键业务
接入冗余单一运营商、光缆路由或入楼路径两条独立接入线路,必要时选择不同运营商和不同物理路径断纤、运营商维护、入楼设备故障时是否仍可通信
设备冗余单台边界路由器、防火墙或交换设备故障设备双机、双电源、不同上联端口单台设备断电或重启时,路由和会话是否能恢复
云侧冗余单一云侧连接实例、网关或转发区域独立云侧连接、冗余网关或跨可用区部署云侧连接或网关故障时是否能切换
数据冗余单一数据库、存储卷或备份副本跨机房复制,并保留独立备份副本数据延迟、完整性、恢复时间和误删除恢复能力
控制与监控冗余监控和切换系统依赖故障线路从独立故障域探测,保留人工接管路径线路中断时能否发现、判断和执行切换

其中,双机房解决的是场地级故障,双线路解决的是网络路径级故障,设备双机解决的是局部设备级故障,数据副本解决的是数据可恢复性问题。这些能力需要分别核对。

例如,机房A和机房B各自只有一条云专线,虽然业务具备机房切换能力,但任一机房的专线中断后,仍可能出现该机房无法访问云端资源的情况。相反,如果同一机房配置两条线路,却共用同一台边界路由器、同一入楼光缆和同一云侧网关,线路层面的冗余也会被共同依赖抵消。

云专线互联中各组件如何协作

一种常见结构是:机房A和机房B分别通过云专线接入云侧私有网络,再由云侧转发组件实现两个机房、云上业务网络之间的互联。若云服务只提供“机房到云上网段”的连接,不自动提供机房A到机房B的转发,还需要确认云侧路由表、转发网关或中转网络是否支持这种通信关系。

在这类架构中,各组件的职责可以拆分为以下几部分。

机房侧边界设备

边界路由器负责:

  • 与运营商或云侧建立路由邻居;
  • 发布本机房可达的业务网段;
  • 接收云侧和另一机房的路由;
  • 在主链路与备用链路之间调整路径优先级;
  • 对链路状态、路由状态和下一跳可达性进行监测。

如果配置了两台边界路由器,应避免两台设备同时依赖同一电源、同一交换机端口或同一上联模块。设备双机本身不等于路径独立,设备之间还需要明确故障检测和主备关系。

云侧连接与转发组件

云专线通常不只包含一根物理线路,还可能涉及云侧端口、虚拟连接、路由实例和转发网关。选择备用线路时,需要核实两条连接是否真的落在不同的云侧故障域,而不是仅仅在客户侧显示为两个连接编号。

重点包括:

  • 两条连接是否使用独立的云侧终端设备;
  • 是否支持不同可用区或不同网络接入点;
  • 两条线路是否可以同时发布相同业务网段;
  • 云侧是否支持路由优先级、路由收敛和故障撤销;
  • 机房A与机房B之间是否允许通过云侧转发;
  • 云侧网关、路由表或中转组件是否存在单实例限制。

如果两条云专线最终都依附于同一个云侧网关,那么该网关仍可能成为共同故障点。产品咨询时不能只问“是否支持双线路”,还要问线路的终止位置、转发路径和云侧网关的冗余方式。

防火墙与负载均衡设备

线路切换后,流量能到达机房,并不代表业务会自动恢复。防火墙可能仍然保留旧的会话状态,负载均衡器可能仍把请求转发到不可用的后端,源地址转换还可能导致返回路径变化。

因此需要确认:

  • 主备防火墙是否能够同步必要的会话和策略状态;
  • 切换后是否允许新的连接建立;
  • 旧连接是继续维持、重新建立,还是由应用重试;
  • 两个机房的访问控制策略、路由策略和地址转换规则是否一致;
  • 负载均衡器能否根据后端健康状态停止转发;
  • 双机房同时承载业务时,是否存在会话粘滞或状态冲突。

对于有状态设备,线路冗余通常只能保证新的流量找到可用路径,不能保证所有已建立的TCP连接不受影响。业务端需要具备合理的超时、重试和幂等机制。

数据库、存储与备份系统

数据复制链路与业务访问链路可以共用云专线,但不建议不加区分地争抢同一带宽。复制流量突增时,可能占满线路,导致业务访问延迟上升;业务高峰时,复制又可能持续积压,最终无法满足RPO要求。

比较稳妥的做法是:

  • 为复制流量和在线业务划分逻辑优先级;
  • 预留故障接管所需的关键业务带宽;
  • 监控复制延迟、日志积压和重放状态;
  • 为数据库复制设置可接受的延迟阈值;
  • 保留独立于实时复制的备份副本。

实时副本不等同于备份。误删除、错误更新或恶意加密可能迅速同步到备用机房,所以仍需要保留带时间点的独立备份,并确认备份副本不与生产数据共用相同的故障域。

备用链路的三种常见工作模式

备用链路并不只有“主用一条、备用一条”这一种实现方式。应结合业务是否允许同时在两个机房提供服务、数据写入方式和故障切换复杂度进行选择。

主备模式:优先控制复杂度

主备模式下,机房A承担主要业务,机房B处于热备或温备状态。主线路正常时,云侧和边界设备优先使用主线路;主线路出现故障后,路由设备降低主路径优先级或撤销主路由,流量转向备用线路和备用机房。

适合以下情况:

  • 业务主要在一个机房运行;
  • 备用机房可以接受短时间接管;
  • 应用不适合同时双写;
  • 更关注可控的切换流程和较低的运维复杂度。

备用链路可以低于主链路规格,但必须满足故障时的实际承载需求。如果备用机房需要完整承接全部业务,备用线路就不能只按平时少量心跳流量来选择。若只要求维持订单、登录、数据库访问等关键服务,可以通过流量分类和业务分级降低备用链路带宽。

主备模式的主要风险是切换过程可能包含多个动作:网络路由切换、负载均衡后端调整、数据库角色提升、应用启动和缓存预热。只切换BGP路由而不处理应用状态,通常无法得到完整的业务接管效果。

双活模式:提高资源利用率,但增加状态管理

双活模式下,两个机房同时承载业务,线路和计算资源平时都在使用。某一机房或线路发生故障后,另一机房扩大流量承载范围。

这种模式可以提高资源利用率,也能减少备用资源长期闲置的问题,但要求更高:

  • 两个机房都能承载故障后的业务峰值;
  • 数据库或存储系统支持并发写入、冲突处理或一致性控制;
  • 负载均衡和路由策略能够避免流量来回抖动;
  • 防火墙、缓存、消息队列等有状态组件能够处理跨站点切换;
  • 需要考虑脑裂,即两个机房都认为自己是主节点。

双活并不能仅通过两条云专线实现。网络层同时可达,只说明路径具备并行条件,不能自动解决数据冲突和业务角色冲突。对于写入一致性要求较高的系统,通常还需要仲裁节点、第三故障域或明确的写入归属策略。

混合模式:在线双活与关键业务主备结合

部分企业会让无状态应用、读请求或静态资源在两个机房同时提供服务,而把核心数据库写入、财务交易和部分有状态服务保留为主备。这种方式可以在资源利用率和切换复杂度之间取得平衡。

例如:

备用链路的三种常见工作模式配图

  • Web接入层双活;
  • 读数据库在两个机房分布;
  • 核心写库采用异步复制和主备切换;
  • 文件上传先进入具备跨站点复制能力的存储;
  • 消息消费端采用故障转移和重复消费保护。

这种模式需要按照业务组件分别设计切换条件,不能使用一条全局路由规则处理所有服务。

路由切换不能只看“线路是否亮起”

物理接口正常、云专线状态正常,并不代表业务路径可用。线路可能出现高丢包、路由黑洞、云侧转发异常或目标服务不可达。因此,健康检查至少应分为三个层次:

  1. 链路层:接口状态、光模块状态、错误包、链路抖动。
  2. 路由层:BGP邻居、下一跳、目标网段、路由数量和路径优先级。
  3. 业务层:关键端口、服务探针、数据库角色、复制延迟和应用响应。

只有链路层健康而业务层异常时,仍然维持主路由,可能造成流量持续进入故障机房。反过来,如果探测规则过于敏感,又可能因为短暂丢包导致主备频繁切换。

主备路由可按以下状态管理:

路由切换不能只看“线路是否亮起”配图

状态路由处理数据与业务处理运维动作
正常主路径优先,备用路径保持可用主机房提供服务,副本持续同步监控延迟、丢包和复制状态
降级主路径仍可用,但指标接近阈值限制非关键复制或降低非关键流量告警并确认是否需要预切换
故障切换降低主路径优先级或撤销主路由提升备用角色,启动关键服务记录切换时间和未完成事务
恢复观察主线路恢复但暂不立即抢回流量补齐副本、校验数据和应用状态经过稳定观察后再执行回切
回切完成按计划恢复主路径优先级逐步迁回业务,保持备用资源就绪核对会话、路由和监控告警

如果云侧和运营商支持动态路由,可以使用BGP及更快速的链路检测机制,但具体收敛时间取决于设备、运营商和云服务的实现。配置过短的检测周期可能把正常抖动误判为故障,配置过长又会延迟切换。应通过实际演练测量,而不是只根据协议默认值推算RTO。

回切尤其需要谨慎。主线路恢复后立即自动抢回流量,可能造成业务在两个机房之间来回移动,也可能在数据副本尚未追平时再次发生中断。更稳妥的流程是:先确认线路稳定,再确认路由和数据同步正常,最后分批恢复业务流量。

数据副本与带宽如何共同确定

RPO决定了允许丢失多少时间范围内的数据,RTO决定了业务需要在多长时间内恢复。两者都会影响备用线路的规格。

同步复制与异步复制的取舍

同步复制要求主副本在数据提交前获得备用副本确认。它能够降低网络故障时的数据丢失范围,但会把跨机房网络延迟、抖动和线路中断直接带入写入链路。两个机房距离较远或线路质量不稳定时,同步复制可能增加业务写入延迟,甚至在备用端不可达时阻塞写入。

异步复制先完成主端写入,再将日志或变更传送到备用端。它对距离和瞬时网络抖动更宽容,也更适合主备场景,但故障发生时可能存在未同步的数据。异步复制是否满足要求,不能只看“副本存在”,还要持续测量复制延迟和积压量。

对于需要低数据丢失的业务,应明确以下问题:

  • 复制延迟超过多少秒需要告警;
  • 复制中断后最多允许积压多少日志;
  • 备用数据库提升前是否需要人工确认;
  • 主机房恢复后,双方数据如何判定谁是权威副本;
  • 误写、重复提交和未完成事务如何处理。

按峰值而不是平均值计算复制带宽

例如,某业务每天产生约1.2 TB十进制增量数据。仅按24小时平均计算:

1.2 TB × 8 × 1000 ÷ 86400秒 ≈ 111.1 Mbps。

如果业务高峰是平均值的2.5倍,则复制峰值约为:

111.1 Mbps × 2.5 ≈ 277.8 Mbps。

再考虑协议开销、重传、压缩效果变化和短时积压,按30%的余量估算:

277.8 Mbps × 1.3 ≈ 361.1 Mbps。

这只是复制流量。如果备用链路在故障时还要承载约200 Mbps的关键业务访问,则有效需求接近:

361.1 Mbps + 200 Mbps = 561.1 Mbps。

如果还有集中迁移、缓存重建或故障接管期间的额外流量,实际评估还要继续上调。若按另一种更紧张的窗口计算,例如400 GB数据需要在2小时内完成复制:

400 GB × 8 × 1000 ÷ 7200秒 ≈ 444.4 Mbps。

加上30%的余量后约为577.8 Mbps。此时再叠加关键业务流量,500 Mbps备用线路很可能只能维持部分服务,不能保证副本快速追平;1 Gbps档位会更接近可评估范围,但仍需通过压测确认。

数据副本与带宽如何共同确定配图

上面的数据是容量估算示例,实际选型还要使用数据库日志增长量、压缩比例、重传率、业务峰值和线路计费口径重新计算。需要特别区分:

  • GB、TB表示存储数据量;
  • Gbps、Mbps表示网络速率;
  • 十进制数据量换算到比特速率时,需要乘以8,再乘以1000换算为兆比特,最后除以秒数;
  • 线路标称带宽不一定等于业务可长期使用的有效吞吐。

备用线路的产品选择条件

选择云专线产品或互联方案时,应把“线路可用”拆成可验收的能力,而不是只比较标称带宽。

双机房互联也涉及企业站点与业务系统之间的网络连接。A5idc数据提供企业网络专线业务,可用于连接企业站点、办公地点和业务系统;同时,香港及多个海外地区的物理服务器资源涵盖不同计算、存储与线路方案,可承载相应的应用和数据服务。企业可按业务所在地区和资源需求组合网络连接与运行资源,为跨地点业务部署提供支持。

物理路径是否真正独立

两条线路如果经过同一光缆、同一入楼管道、同一运营商接入点或同一机房弱电间,仍可能在一次施工或设备维护中同时中断。较高可用性要求下,建议核对:

  • 是否可选择不同运营商;
  • 是否经过不同接入点和物理路由;
  • 是否使用不同云侧网络入口;
  • 运营商能否提供路径隔离说明;
  • 两条线路的维护窗口是否可能重叠。

如果只能提供同一运营商的两条线路,也可以作为基础冗余,但需要明确其共同故障边界,不宜直接按两条完全独立链路评估。

云侧终止和路由能力是否匹配

需要向服务提供方确认:

  • 云专线是否支持BGP或其他动态路由方式;
  • 是否支持多连接同时建立;
  • 是否支持主备优先级或等价路径;
  • 云侧网关是否具备多实例或跨可用区能力;
  • 是否允许两个机房之间通过云侧网络互联;
  • 路由变更由客户、运营商还是云平台负责;
  • 故障时的路由收敛和告警由哪一方提供。

如果云侧只能配置一个路由实例,或者两条线路必须共享一个不可替代的终止点,那么新增第二条线路只能降低部分链路故障风险,不能消除云侧共同故障。

带宽和计费口径是否适合备用状态

主备线路通常也需要为端口、连接实例和基础带宽付费,即使平时几乎不承载业务。选型时应分别计算:

  • 云侧端口或连接费用;
  • 机房接入和本地环路费用;
  • 主、备两条线路的带宽费用;
  • 跨区域、跨网络或跨机房流量费用;
  • 云侧网关、路由或转发组件费用;
  • 监控、托管和故障演练服务费用;
  • 设备双机、授权和维护成本。

备用线路降配可以减少固定支出,但会带来更长的复制追赶时间、更高的RPO风险和更小的故障接管范围。若业务要求备用机房完整承接生产流量,不能只因为备用线路平时空闲就大幅降低规格。

SLA与责任边界是否清楚

产品交付时应明确故障判定和责任边界,例如:

  • 线路中断由谁发现;
  • 云侧连接异常是否提供告警;
  • 运营商只负责到机房交付点,还是负责到云侧端点;
  • 客户设备、云网关和应用之间的故障如何区分;
  • 维护是否提前通知;
  • 故障处理是否有升级联系人;
  • 线路切换由自动系统完成还是由客户执行。

这些条件直接影响故障处理时间。没有清晰的责任边界时,线路、云平台和机房设备之间可能出现重复排查,延长实际恢复时间。

一个可落地的设计示例

某业务有两个机房,要求主机房故障后5分钟内恢复关键服务,允许分钟级数据丢失,普通报表和批处理可以延后恢复。业务平时主要运行在机房A,机房B保持热备。

可以采用以下思路:

一个可落地的设计示例配图

  1. 机房A和机房B各部署两台边界设备,并让主、备云专线分别接入不同设备。
  2. 每个机房至少保留一条主用连接和一条备用连接;如果预算有限,优先保证承载生产的机房具备双线路,再为备用机房配置可满足接管需求的线路。
  3. 两条关键线路尽量选择不同运营商、不同物理路径和不同云侧终止点。
  4. 机房A发布生产网段的高优先级路由,机房B发布低优先级路由或仅在接管后发布。
  5. 链路探测同时检查路由状态、关键服务端口和数据库复制延迟,避免只依据物理接口状态切换。
  6. 数据库采用异步复制,复制延迟超过预设阈值时告警;主机房故障后,由受控流程确认备用副本状态,再提升备用数据库。
  7. 备用线路对关键业务、数据库复制和管理流量进行分类,暂停非关键批处理,防止接管时带宽被低优先级任务消耗。
  8. 主线路恢复后先保持备用路径承载流量,完成数据追平和应用验证,再分批回切。

这个方案的关键不是“部署了几条线”,而是把路由切换、数据库提升、业务接管和回切过程串联起来。若数据库提升需要3分钟,线路收敛需要30秒,应用实例启动和检查还需要2分钟,那么即使线路能在数秒内切换,整体RTO仍可能接近5分钟。RTO应按各环节实际耗时相加评估:

实际恢复时间 = 故障发现时间 + 路由收敛时间 + 数据库或存储角色切换时间 + 应用启动时间 + 业务验证时间。

验收时应分别制造不同故障

一次简单的“拔掉主线”测试,无法覆盖全部单点故障。建议在维护窗口内分项验证,并在测试前保存路由、设备和数据配置,确认能够恢复到原有状态。

线路与设备测试

  • 关闭主线路接口,观察备用路由是否接管;
  • 断开主线路物理连接,确认不是只有管理状态变化;
  • 重启单台边界路由器,检查另一台设备是否继续转发;
  • 模拟单个云侧连接失效,确认另一路径是否可达;
  • 检查切换前后的丢包、时延、路由数量和路径方向;
  • 验证返回流量是否经过正确的防火墙和负载均衡设备。

涉及生产网络权限、路由策略或设备重启的测试,应提前明确影响范围,保留本地管理路径,并准备人工回退方案。

应用与数据测试

  • 线路仍然连通但业务端口不可用时,验证业务探针能否触发接管;
  • 数据库复制延迟超阈值时,确认系统是否阻止不安全的自动提升;
  • 机房A故障后,验证机房B是否能提供登录、核心交易和查询服务;
  • 检查未完成事务、重复请求和客户端重试行为;
  • 测量RPO,而不是只查看备用数据库是否处于运行状态;
  • 恢复主机房后,验证数据追平、权限策略和业务一致性,再进行回切。

监控与告警测试

监控系统最好位于独立于两个机房和主云专线的故障域,并同时关注以下指标:

  • 两条线路的接口状态和实际吞吐;
  • 丢包率、时延、抖动和错误包;
  • 路由邻居状态及路由变更;
  • 云侧网关和转发组件状态;
  • 防火墙主备状态;
  • 数据复制延迟和积压量;
  • 业务探针成功率;
  • 切换、回切和人工确认记录。

告警信息应明确指出“链路故障”“路由异常”“业务不可达”还是“数据复制延迟”,否则值班人员仍需要从多个系统中重新定位,无法缩短处理时间。

哪些场景不适合简单增加一条线路

以下做法容易产生“看起来有冗余、实际仍有单点”的结果:

  • 两条线路共用同一运营商、同一光缆和同一入楼设备;
  • 两条线路接入同一台没有高可用能力的边界路由器;
  • 两个机房都连接云端,但云侧只有一个不可替代的网关;
  • 只配置DNS切换,却没有处理私有路由、数据库角色和防火墙状态;
  • 备用线路带宽只按心跳和监控流量选择,未计算故障接管流量;
  • 只做实时复制,没有独立的时间点备份;
  • 两个机房同时写入同一业务数据,却没有冲突处理和脑裂防护;
  • 主线路恢复后立即自动回切,没有确认数据和应用状态;
  • 用单次拔线测试代替完整的设备、云侧、应用和数据演练。

如果两个机房位于同一栋楼、共用同一供电系统或共用同一条入楼光缆,那么它们更接近“设备级或局部机房冗余”,不能直接视为能够抵御楼宇、区域或基础设施级灾难。

落地前应先确定业务的RPO、RTO和故障接管范围,再反推备用线路是否需要承载全部生产流量。随后重点验证两条云专线的物理路径、云侧终止点、路由收敛方式和数据复制能力。只有当线路、设备、云侧转发、数据副本和业务接管流程分别通过演练,双机房互联才真正具备减少单点故障影响的能力。

本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/10012.html

相关推荐