亚马逊云企业认证 AWS 基础设施弹性设计实战指南:应对实例故障与可用区中断的配置步骤与排障方法
用户搜索“AWS 基础设施弹性设计:应对实例故障与可用区中断”时,通常不是想看概念定义,而是在做架构决策:单台 EC2 宕机会不会导致网站不可用;一个可用区异常后业务能否继续访问;数据库故障切换时应用是否会报错;负载均衡和自动扩缩容参数该如何设置;以及如何在成本可控前提下做到基本容灾。
这篇文章直接围绕这些操作问题展开,重点提供可执行的 AWS 控制台配置流程、参数填写建议、命令示例和故障排查顺序,适用于网站、API 服务、后台管理系统和数据库型业务。
先判断:你当前最可能卡在哪一步
在实际部署中,用户最常见的决策卡点不是“要不要高可用”,而是“不知道该配到什么程度”。下面这张表可以帮助你快速定位。
| 场景 | 常见错误做法 | 风险 | 建议方案 |
| 单台网站服务器 | 1 台 EC2 直接绑定公网 IP | 实例故障即业务中断 | 至少 2 个可用区 + ALB + Auto Scaling |
| API 服务 | 应用仅部署在单可用区 | AZ 故障时整体不可用 | 私网子网跨 AZ 部署,ALB 前置 |
| MySQL 自建 | 数据库与应用同机部署 | 机器故障导致全站不可恢复 | RDS Multi-AZ + 自动备份 |
| 状态型应用 | 文件上传保存在本地盘 | 切换新实例后文件丢失 | 静态文件放 S3 或 EFS |
| 低预算业务 | 完全不做备份与快照 | 恢复时间长 | 基础快照 + AMI + 最小双机架构 |
如果你现在还处于资源创建阶段,重点先解决三个问题:应用层是否跨可用区、数据库是否支持自动故障切换、静态数据是否脱离单机磁盘。
部署前准备:账号、权限和资源清单
账号与权限要求
建议使用 IAM 用户而不是 root 账号操作。至少需要以下权限:
- EC2:创建实例、启动模板、安全组、目标组、Auto Scaling
- ELB:创建 Application Load Balancer、监听器、健康检查
- RDS:创建数据库、参数组、子网组、快照恢复
- VPC:创建子网、路由表、NAT 网关、Internet Gateway
- Route 53:域名解析和健康检查
- CloudWatch:监控指标、告警、自动恢复
前置资源准备
| 资源 | 数量建议 | 说明 |
| VPC | 1 | 建议使用独立业务 VPC,例如 10.0.0.0/16 |
| 公有子网 | 2 | 分别位于不同可用区,给 ALB 使用 |
| 私有应用子网 | 2 | 部署 EC2 应用实例 |
| 私有数据库子网 | 2 | 给 RDS Multi-AZ 使用 |
| 安全组 | 3-4 个 | ALB、应用、数据库分离 |
| AMI 或启动模板 | 1 | 统一实例配置,便于故障替换 |
建议提前确认的参数
- Region 选择:优先选择靠近用户和数据库依赖方的区域
- 可用区选择:至少使用 2 个 AZ,不要全部放在单 AZ
- 实例规格:中小型 Web 服务可从 t3.small、t3.medium 或 c6i.large 起步
- 系统镜像:Linux 推荐 Amazon Linux 2023 或 Ubuntu 22.04 LTS;Windows 业务再选 Windows Server
- 磁盘类型:系统盘优先 gp3,单独设置 IOPS 和吞吐更易控成本
亚马逊云企业认证 实操一:搭建跨可用区的 EC2 + ALB + Auto Scaling 架构
步骤 1:规划 VPC、子网和路由
进入 AWS 控制台,打开 VPC 控制台。
- 点击“Create VPC”
- IPv4 CIDR 建议填写:10.0.0.0/16
- 创建两个公有子网:例如 10.0.1.0/24 在 ap-southeast-1a,10.0.2.0/24 在 ap-southeast-1b
- 创建两个私有应用子网:10.0.11.0/24、10.0.12.0/24
- 创建两个私有数据库子网:10.0.21.0/24、10.0.22.0/24
注意事项:
- ALB 放在公有子网,应用实例尽量放私有子网
- 私有子网如需访问外网更新软件,需要 NAT Gateway
- 数据库不要放在公有子网
步骤 2:创建安全组并限制访问路径
推荐按角色分离安全组,而不是所有实例共用一个组。
| 安全组 | 入站规则 | 出站规则 |
| alb-sg | 80,443 来自 0.0.0.0/0 | 全部放行到 app-sg |
| app-sg | 80 或 8080 仅允许 alb-sg | 访问数据库端口、外部 API 必要地址 |
| db-sg | 3306 仅允许 app-sg | 默认即可 |
这里最常见的问题是应用实例安全组错误地开放到公网,或者数据库直接对 0.0.0.0/0 开放 3306。前者增加攻击面,后者会直接带来暴力扫描和入侵风险。
步骤 3:创建启动模板
进入 EC2 控制台,点击“Launch Templates” - “Create launch template”。
- AMI:Amazon Linux 2023 或 Ubuntu 22.04
- Instance type:t3.medium 作为通用起点
- Key pair:选择已有 SSH 密钥
- 亚马逊云企业认证 Network settings:不要在模板里固定子网,由 Auto Scaling 决定
- 亚马逊云企业认证 Security group:选择 app-sg
- User data:写入初始化脚本,确保新实例自动部署服务
Linux User Data 示例:
<pre>#!/bin/bash yum update -y yum install -y nginx systemctl enable nginx echo "healthy" > /usr/share/nginx/html/health systemctl start nginx</pre>
如果是 Ubuntu,把 yum 改成 apt。很多自动扩容失败,不是 ASG 有问题,而是新实例启动后应用没自动起来,导致健康检查一直失败。
步骤 4:创建 Target Group 和 ALB
进入 EC2 - Target Groups:
- Target type 选择 Instances
- 亚马逊云企业认证 Protocol 选择 HTTP
- Port 填写 80 或应用监听端口
- Health check path 建议单独设置为 /health
健康检查参数建议:
| 参数 | 建议值 | 说明 |
| Healthy threshold | 2 | 2 次成功后判定健康 |
| Unhealthy threshold | 2 | 连续失败 2 次剔除 |
| Timeout | 5 秒 | 接口慢时可调到 6-8 秒 |
| Interval | 15 秒 | 兼顾检测速度与负载 |
然后创建 ALB:
- Scheme 选择 Internet-facing
- 至少勾选两个公有子网,分布在不同 AZ
- Listener 添加 80 和 443
- 80 可以重定向到 443
- 443 绑定 ACM 证书
如果你已经有域名,后续在 Route 53 中把 A 记录 Alias 指向 ALB 即可。
步骤 5:创建 Auto Scaling Group
进入 EC2 - Auto Scaling Groups,点击“Create Auto Scaling group”。
- 选择前面创建的 Launch Template
- VPC 选择当前业务 VPC
- Subnets 选择两个私有应用子网
- Attach to an existing load balancer,绑定到已有 Target Group
- Health checks 选择 ELB + EC2
容量建议:
| 业务类型 | 最小实例数 | 期望实例数 | 最大实例数 |
| 测试环境 | 1 | 1 | 2 |
| 小型生产 | 2 | 2 | 4 |
| 流量波动业务 | 2 | 2 | 6-10 |
扩缩容策略建议:
- 平均 CPU 超过 60% 持续 5 分钟,扩容 1 台
- 平均 CPU 低于 25% 持续 15 分钟,缩容 1 台
- 如业务更依赖请求数,可用 ALB RequestCountPerTarget 作为指标
实例故障时,ASG 会自动替换异常实例;可用区中断时,只要另一个 AZ 仍有可用容量,ALB 会将流量导向健康目标。
亚马逊云企业认证 实操二:数据库层避免单点,使用 RDS Multi-AZ
步骤 1:创建 DB Subnet Group
进入 RDS 控制台,先创建数据库子网组,必须包含至少两个不同可用区的私有数据库子网。
如果你跳过这一步,后面创建 Multi-AZ 时经常会因为子网不符合要求而失败。
步骤 2:创建 RDS MySQL 实例
- Engine 选择 MySQL 8.0
- Template 生产环境建议选 Production
- DB instance identifier 填写业务名,例如 prod-order-mysql
- Master username 不要使用 root 作为业务连接用户
- Storage type 推荐 gp3
- 启用 Multi-AZ deployment
- Public access 选择 No
- VPC security group 绑定 db-sg
参数建议:
| 参数 | 建议 |
| 实例规格 | db.t3.medium 起步,正式库建议 db.r6g.large 及以上 |
| 存储空间 | 按当前数据量的 1.5-2 倍预留 |
| 自动备份保留天数 | 7-14 天 |
| Performance Insights | 建议开启 |
| Enhanced Monitoring | 生产建议开启 |
步骤 3:配置数据库连接与权限
亚马逊云企业认证 不要让应用直接使用管理员账号连接数据库。登录到一台应用 EC2 后执行:
<pre>mysql -h your-rds-endpoint -u admin -p CREATE DATABASE appdb; CREATE USER 'appuser'@'10.%' IDENTIFIED BY 'YourStrongPass123!'; GRANT SELECT,INSERT,UPDATE,DELETE,CREATE,ALTER,INDEX ON appdb.* TO 'appuser'@'10.%'; FLUSH PRIVILEGES;</pre>
这里用 10.% 限制来源网段,适合 VPC 内部访问。若应用连接不上,先检查三项:RDS 安全组、应用实例出站规则、RDS endpoint 是否写错。
步骤 4:验证故障切换行为
在维护窗口之外,可以通过重启带故障切换测试的方式验证应用韧性。观察应用是否因连接池缓存旧连接而报错。如果使用 Java、PHP-FPM、Node.js 连接池,建议确认:
- 数据库连接超时不要过长
- 亚马逊云企业认证 支持自动重连
- 应用读取连接配置时使用 RDS endpoint,而不是写死 IP
实例故障和可用区中断时,按这个顺序排查
场景 1:单台 EC2 挂了,服务访问失败
排查顺序:
- 看 ALB Target Group 中目标是否 unhealthy
- 检查健康检查路径是否返回 200
- 查看 ASG Activity History 是否已经替换实例
- SSH 登录新实例,确认应用是否自动启动
- 检查 User Data 脚本是否报错
常见错误案例:健康检查路径写成 /,但应用首页依赖数据库;数据库短暂抖动时,ALB 会把实例全部判为 unhealthy。解决方法是单独做一个不依赖数据库的 /health 接口。
场景 2:一个可用区异常,流量没有完全切走
- 确认 ALB 是否绑定了两个 AZ 的子网
- 亚马逊云企业认证 确认 ASG 是否启用了多子网部署
- 确认另一个 AZ 是否有足够实例容量
- 检查是否有状态文件保存在本地导致新实例不可用
很多业务“理论上”跨 AZ,实际上数据库、文件、缓存仍是单点,AZ 中断后只是入口还在,核心功能已经不可用。
场景 3:MySQL 连接失败,但 RDS 显示可用
依次检查:
- 应用安全组能否访问 3306
- 数据库是否启用了 public access=no 且你在公网机器测试连接
- DNS 缓存是否保留了旧地址
- 应用连接池是否把故障切换前连接长期复用
Linux 上可用以下命令测试:
<pre>nc -zv your-rds-endpoint 3306 nslookup your-rds-endpoint mysql -h your-rds-endpoint -u appuser -p</pre>
按业务类型选择配置方案
| 用户类型 | 推荐方案 | 适用说明 |
| 个人开发者 | 1 个 ALB + 2 台 t3.small + 1 个 RDS 单可用区或轻量级备份方案 | 预算有限,优先先解决应用层单点 |
| 企业用户 | ALB + ASG 跨 2 AZ + RDS Multi-AZ + CloudWatch 告警 | 适合生产 Web/API 业务 |
| 跨境业务 | 就近 Region 部署 + CloudFront/CDN + Route 53 健康检查 | 降低跨国访问延迟,入口更稳定 |
| 网站应用 | 静态资源放 S3/CloudFront,应用无状态化 | 避免切换实例后丢文件 |
| 数据库业务 | RDS Multi-AZ + 自动备份 + 定期快照 + 只读副本视情况增加 | 提升恢复能力并缓解读压力 |
容易被忽略的配置细节
Linux 远程连接
通过 SSH 登录私有子网实例时,通常需要跳板机或 Systems Manager Session Manager。若是公有实例,命令示例:
<pre>ssh -i mykey.pem ec2-user@PublicIP</pre>
Ubuntu 用户名通常是 ubuntu,不是 ec2-user。
Windows 远程桌面
如果应用服务器是 Windows,创建 EC2 时需允许 3389,但不要对全网开放。建议仅允许办公出口 IP。连接方式为 RDP,先在控制台获取 Administrator 密码,再用远程桌面客户端连接。
系统重装与替换思路
在 AWS 上,生产实例出现系统级故障时,不建议“现场修机”作为首选,而是通过启动模板快速替换新实例。需要保留环境时先做 AMI 或 EBS 快照,再排查旧机。
亚马逊云企业认证 优化建议:不是加机器,而是降低故障影响面
安全优化
- SSH 22、RDP 3389 仅对固定办公 IP 开放
- 数据库禁止公网访问
- 使用 SSM 代替暴露 SSH 端口更稳妥
- 定期轮换密钥和数据库密码
性能优化
- ALB 健康检查路径独立,不依赖慢查询
- EC2 系统盘改用 gp3,按需提高吞吐
- 应用层启用连接池,但设置合理空闲超时
- 数据库慢查询日志要开启,避免把故障误判为实例问题
成本优化
- 开发环境最小实例数可设为 1,生产至少 2
- 稳定负载实例可购买 Savings Plans
- NAT Gateway 成本较高,低流量环境可评估 NAT Instance
- 快照与日志设置生命周期,避免长期堆积
稳定性优化
- CloudWatch 为 CPU、StatusCheckFailed、TargetResponseTime、RDS FreeStorageSpace 配置告警
- 定期执行故障演练:手动停止一台实例,验证 ASG 替换
- 测试数据库故障切换后应用恢复时间
- 记录恢复 Runbook,避免故障时临场查文档
如果你的目标是应对实例故障与单个可用区中断,最小可执行方案通常不是复杂架构,而是四件事:应用跨两个 AZ、入口走 ALB、实例由 ASG 管理、数据库至少启用 Multi-AZ 或可恢复备份。先把这四项配置落地,再考虑更高等级的跨区域容灾。
如果需要更深入咨询了解可以联系全球代理上TG: @cloudcup 他们在云平台领域有更专业的知识和建议,他们有国际阿里云,国际腾讯云,国际华为云,aws亚马逊,谷歌云一级代理的渠道,微软云开户充值。oss防风控上传加密系统。客服1V1服务,支持免实名、免备案、免绑卡。开通即享专属VIP优惠、充值秒到账、官网下单享双重售后支持。