Cum proiectezi o strategie de backup și recuperare după dezastru?

Question

Accepted Answer

O strategie de backup și recuperare după dezastru (DR) răspunde la: dacă pierdem date sau o regiune întreagă, **cât de mult data putem pierde, cât de repede putem reveni și putem restaura efectiv?** Se bazează pe **regula 3-2-1**, ținte clare de **RPO/RTO** și — în mod critic — **restaurări testate regulat**.

## Regula 3-2-1

```text
3 copies of the data
2 different media / storage types
1 copy offsite (different region or provider)
→ no single failure (disk, host, datacenter, ransomware) destroys every copy
```

Backup-urile ar trebui să fie **automatizate** (niciun om nu trebuie să le ruleze din memorie) și **offline** pentru ca un dezastru regional să nu ia backup-ul împreună cu sistemul primar.

## RPO și RTO

Aceste două ținte determină fiecare alegere de design:

- **RPO (Recovery Point Objective)** — cât de multă pierdere de date este tolerabilă, măsurată în timp. RPO de 1 oră înseamnă pierderea maxim a ultimei ore de scrieri, ceea ce dictează frecvența backup-urilor/replicării.
- **RTO (Recovery Time Objective)** — cât timp poate dura recuperarea. RTO de 30 de minute înseamnă că sistemul trebuie restaurat și să servească în 30 de minute, ceea ce dictează arhitectura DR.

```text
frequent backups / replication → smaller RPO (less data lost)
hotter standby infrastructure  → smaller RTO (faster recovery)
both cost money → pick targets per business criticality
```

## Niveluri DR (cost vs RTO)

```text
Backup & restore  → cheapest; restore from backups on demand   (RTO: hours)
Pilot light       → minimal core running, scale up on disaster  (RTO: tens of min)
Warm standby      → scaled-down live copy, scale up to take over (RTO: minutes)
Multi-site active → full live copies serving traffic            (RTO: ~seconds)
```

## Testează-ți restaurările

**Un backup pe care nu l-ai restaurat niciodată nu este backup — este o speranță.** Planifică exerciții regulate de restaurare: reconstruiește efectiv din backup într-un mediu curat și verifică integritatea. Aceasta prinde backup-urile corupte, piese lipsă și runbook-uri sparte *înainte* de un dezastru real.

## De ce contează

Pierderea de date și întreruperile regionale sunt când supraviețuirea unei companii este testată. 3-2-1 asigură că o copie supraviețuiește orice defecțiune unică; RPO/RTO transformă vagul "avem backup-uri" în angajamente măsurabile; nivelurile DR te lasă să potrivești costul cu criticitatea; și restaurările testate sunt singura dovadă că totul funcționează efectiv. Saltarea testului este cum echipele descoperă, în mijlocul unei pene, că backup-urile lor erau inutile.