Basculement planifié ou forcé d'un groupe de basculement Azure SQL : runbook
Runbook de basculement, contrôles avant et après, impact applicatif, failback, retrouver le primaire courant en PowerShell ou T-SQL et checklist de drill.
Deux opérations portent le nom de « basculement » et elles n'ont rien à voir. Le basculement planifié synchronise tout avant de changer de rôle : zéro perte. Le basculement forcé change de rôle immédiatement, sans attendre la réplication : perte possible, à réserver aux vraies pannes. Voici le runbook que j'applique, avec les contrôles avant et après (pour un premier exercice sur une simple géo-réplication, voir mon article sur le drill de failover).
| Planifié | Forcé | |
|---|---|---|
| Primaire accessible | oui (obligatoire) | non, ou panne en cours |
| Perte de données | aucune | possible |
| Usage | drill, déménagement de charge, failback | panne régionale |
| Cmdlet | Switch-AzSqlDatabaseFailoverGroup |
idem avec -AllowDataLoss |
Les deux se lancent sur le serveur secondaire du groupe (celui qui va devenir primaire).
sequenceDiagram
participant DBA
participant ARM as "API Azure"
participant P as "Serveur primaire A"
participant S as "Serveur secondaire B"
participant App as "Application via listener"
DBA->>P: Contrôles avant : état, lag, pool B
DBA->>ARM: Switch-AzSqlDatabaseFailoverGroup sur B
ARM->>P: Synchronisation complète
ARM->>S: Passage en primaire
ARM->>ARM: Mise à jour DNS du listener
App->>S: Nouvelles connexions après TTL de 30 s
DBA->>S: Contrôles après : rôles, écritures, jobs
Avant
- Le groupe est en état de synchronisation (pas de seeding en cours) et le retard de réplication est faible.
- Le pool secondaire a la taille du primaire : il va porter la charge de production.
- Les logins, utilisateurs et règles de pare-feu existent côté B ; les identités applicatives passent.
- L'application utilise bien le listener (voir l'article sur les pièges).
- Les jobs et traitements batch sont suspendus ou savent s'arrêter proprement.
Planifié
Get-AzSqlDatabaseFailoverGroup -ResourceGroupName rg-dba-prd -ServerName sql-contoso-prd-b `
-FailoverGroupName fog-contoso-app-01 |
Switch-AzSqlDatabaseFailoverGroup
Sans -AllowDataLoss, la commande attend que les deux rôles soient échangés et, au pire, échoue en annulant : on ne perd rien.
Forcé
Switch-AzSqlDatabaseFailoverGroup -ResourceGroupName rg-dba-prd -ServerName sql-contoso-prd-b `
-FailoverGroupName fog-contoso-app-01 -AllowDataLoss
Avec -AllowDataLoss, la commande n'attend que la prise de rôle du nouveau primaire. Quand l'ancien primaire revient, ses bases se reconnectent en tant que secondaires. Avant de forcer, je note la dernière valeur de retard connue : c'est l'estimation de ce qui sera perdu.
Après
-- Connecté via le listener : suis-je sur le bon serveur, en écriture ?
SELECT @@SERVERNAME AS serveur,
DATABASEPROPERTYEX(DB_NAME(), 'Updateability') AS mode; -- READ_WRITE attendu
Retrouver le primaire courant sans ambiguïté :
(Get-AzSqlDatabaseFailoverGroup -ResourceGroupName rg-dba-prd -ServerName sql-contoso-prd-a `
-FailoverGroupName fog-contoso-app-01) | Select-Object ReplicationRole, PartnerServerName
-- Sur une base : mon rôle et mon partenaire
SELECT role_desc, partner_server, replication_state_desc, replication_lag_sec
FROM sys.dm_geo_replication_link_status;
Ensuite : vérifier que les écritures passent, que les jobs sont réactivés uniquement sur le nouveau primaire, que l'inventaire des rôles est rafraîchi, et que le lag retombe.
Impact applicatif
Le DNS bascule avec un TTL de 30 secondes, mais les connexions déjà ouvertes pointent vers l'ancien primaire : elles échouent ou passent en lecture seule. Les applications doivent savoir reconnecter (retry avec backoff) et ne pas mettre en cache une adresse IP. J'attends une brève interruption, pas une panne.
Failback
Une fois l'incident levé, je reviens avec un basculement planifié, jamais forcé. Sur SQL Managed Instance, une sauvegarde complète automatique est lancée sur le nouveau primaire après un basculement : un failback juste après peut être plus lent.
Checklist de drill
- Fenêtre annoncée, métiers prévenus, jobs suspendus.
- Capture avant : rôles, lag, tailles de pools.
- Basculement planifié, mesure de la durée totale.
- Tests applicatifs sur le listener, en écriture et en lecture.
- Failback planifié, mêmes contrôles.
- Compte rendu : durée, erreurs, ce qui a été oublié.
Retour d'expérience
- Le drill sert surtout à découvrir ce qu'on a oublié : un login sans SID aligné, un job qui tourne sur le mauvais serveur, un pool trop petit.
- Je fais le drill avec un basculement planifié ; le forcé « pour tester » n'a pas de garde-fou.