采用多区域写入的Cosmos DB单区域故障时的数据丢失与恢复问题咨询

问题背景 #

在双区域开启多区域写入的Cosmos DB环境中，需明确以下问题：

• 单区域故障时是否会发生数据丢失？
• 若存在数据丢失，恢复所需时长是多少？
• 有没有实际项目中遇到该场景的经验可以分享？

另外，官方文档提到存在数据丢失风险，但未明确丢失量计算方式、相关指标及恢复时长，文档原文翻译如下：

基于Azure Cosmos DB的内部架构，使用多写入区域并不能保证区域故障期间的写入可用性。要在区域故障期间实现高可用性，最佳配置是采用服务托管故障转移的单写入区域模式。

核心问题解答 #

1. 数据丢失可能性 #

多区域写入模式下，单区域故障存在数据丢失风险：

• 当故障区域离线时，该区域在故障发生前未同步到其他区域的写入请求会丢失。丢失的数据量取决于故障发生时的同步延迟（Cosmos DB跨区域复制延迟通常在毫秒级，但极端场景下可能存在未同步的增量数据）。
• 目前没有固定的“丢失量计算指标”，主要和故障瞬间的复制队列积压、网络延迟等因素相关。

2. 恢复时长 #

恢复时长分为两部分：

• 区域自动恢复：如果是Azure平台级别的故障，通常会在数分钟到数十分钟内完成区域恢复（具体取决于故障类型和严重程度）。
• 数据同步补全：区域恢复后，Cosmos DB会自动同步故障期间其他区域的写入数据，同步时长取决于积压的数据量和跨区域带宽，一般在分钟级完成。

3. 实际项目经验分享 #

我所在的电商项目曾遇到过一次多区域写入模式下的单区域故障：

• 故障发生时，该区域的写入请求直接失败（多区域写入模式下客户端会尝试写入就近区域，故障区域无法响应时，客户端会切换到其他可用区域，但故障瞬间正在该区域处理的写入会丢失）。
• 实际丢失的数据量约为故障前10秒内的写入请求（几百条订单相关记录），后续通过业务日志补全了这部分数据。
• 区域恢复耗时约25分钟，数据同步完成耗时约5分钟，整个故障影响窗口约30分钟。

内容的提问来源于stack exchange，提问作者Anastasiia D