Backup u disaster recovery għal database ta' għexieren ta' TB

Question

IT Interview Practice · Accepted Answer

**Ikkombina snapshots perjodiċi ma' WAL archiving kontinwu għal point-in-time recovery, irreplika offsite/cross-region, u pprovah b'restore drills regolari kontra targets espliċiti ta' RPO/RTO.** Backup li qatt ma rrestawrajt huwa tama, mhux pjan.

## Arkitettura

```text
Primary DB ──snapshot (daily)──▶ Object store (S3) ──cross-region replicate──▶ DR region
     │                               ▲
     └── WAL/binlog stream ──────────┘   (continuous, PITR to any second)
                                          │
                          restore drill ──┴──▶ verified restore ─▶ measure RTO, checksum RPO
```

## Kif jaħdem

- **Snapshots** huma kopja sħiħa tal-volum/cluster (eż. EBS snapshot ta' kuljum jew `pg_basebackup`). Huma l-bażi li tirrestawra *minnha* — imma li tirrestawra biss sa lbieraħ filgħaxija titlef ġurnata ta' writes.
- **WAL / binlog archiving** jagħmel stream ta' kull bidla mill-aħħar snapshot lejn l-object store kontinwament. Restore = snapshot + replay tal-WAL sa kwalunkwe sekonda magħżula. Dan huwa **PITR (point-in-time recovery)** — irkupra sa 10:32:04, il-mument qabel `DELETE` ħażin.
- **Offsite / cross-region.** Backup fl-istess reġjun tad-DB imut mar-reġjun. Irreplika lejn it-tieni reġjun (S3 cross-region replication) biex outage reġjonali jew ransomware ma jeħdux it-tnejn.
- **Restore drills.** Perjodikament irrestawra ġo ambjent scratch, kejjel kemm ħa (**RTO**) u kemm data kont titlef (**RPO**), u agħmel checksum kontra l-prod.

## RPO vs RTO

- **RPO (Recovery Point Objective)** = kemm data tista' taffordja titlef. WAL archiving kull 5 min → RPO ≈ 5 min. Synchronous replica → RPO ≈ 0.
- **RTO (Recovery Time Objective)** = kemm malajr trid terġa' lura. Li tirrestawra 20TB minn S3 jista' jieħu sigħat; warm standby replica jnaqqas l-RTO għal minuti.

## Perspettiva tal-intervista

L-intervistatur jgħarbel jekk tafx li **snapshots waħedhom mhux biżżejjed** (telf ta' data bejniethom), jekk tistax **tiddefinixxi RPO/RTO f'numri**, u jekk **tittestjax restores**. Tweġibiet eċċellenti jenfasizzaw li backups mhux ittestjati jfallu eżatt meta jkunu meħtieġa, u jagħżlu strateġija mir-RPO/RTO tan-*negozju*, mhux mill-konvenjenza. Nassa: li tassumi li read replica huwa backup — ir-replikazzjoni tikkopja `DROP TABLE` ukoll b'mod fidil.

## Trade-offs u fallimenti

- **Kost vs RTO.** Warm cross-region standby jagħti minuti ta' RTO imma jirdoppja l-kost tal-infra; cold S3 restore huwa rħis imma bil-mod. Ixtri t-tier li n-negozju verament jeħtieġ.
- **Load tal-backup.** Snapshotting ta' DB hot ta' 20TB iżid l-I/O; ħu snapshots minn replica.
- **Korruzzjoni siekta.** WAL jista' jarkivja paġna korrotta; full-restore + checksum perjodiku jaqbadha.
- **Retention u konformità.** Żomm biżżejjed storja (eż. 35 ġurnata PITR + arkivji ta' kull xahar) għal ħtiġijiet legali; Glacier għal terminu twil irħis.
- **Meta le:** DB żgħir huwa tajjeb b'`pg_dump` ta' bil-lejl lejn S3 — full WAL + cross-region standby huma żejda sakemm it-telf ta' data jitkejjel fi flus reali.

Arkitettura

Kif jaħdem

RPO vs RTO

Perspettiva tal-intervista

Trade-offs u fallimenti

Mistoqsijiet relatati