Resiliencia y alta disponibilidad de EKS

Versiones compatibles: EKS 1.28+, Istio 1.20+, Karpenter 1.0+ Última actualización: February 23, 2026

Descripción general de la resiliencia

La resiliencia es la capacidad de minimizar el impacto durante las fallas mientras se recupera un estado normal o se mantiene el servicio. Va más allá de la simple alta disponibilidad (HA) y representa una filosofía de diseño que anticipa las fallas y se prepara para ellas.

Modelo de madurez de la resiliencia

Nivel	Nombre	Alcance	Tecnologías clave	Objetivo de RTO
1	Básico	Pod	Probes, Resource Limits, PDB	Minutos
2	Multi-AZ	Availability Zone	Topology Spread, ARC Zonal Shift	Segundos
3	Basado en Cell	Unidad de Service	Shuffle Sharding, Cell Router	Segundos (parcial)
4	Multi-Region	Region	Global Accelerator, Data Replication	Casi cero

No todos los servicios requieren el Nivel 4. Elija el nivel adecuado según los requisitos de SLA, las regulaciones y el presupuesto.

Nivel 1: resiliencia básica (nivel de Pod)

Liveness/Readiness/Startup Probes

yaml

apiVersion: apps/v1
kind: Deployment
metadata:
  name: web-app
spec:
  replicas: 3
  selector:
    matchLabels:
      app: web-app
  template:
    metadata:
      labels:
        app: web-app
    spec:
      containers:
      - name: app
        image: web-app:1.0
        ports:
        - containerPort: 8080
        startupProbe:
          httpGet:
            path: /healthz
            port: 8080
          failureThreshold: 30
          periodSeconds: 10
        livenessProbe:
          httpGet:
            path: /healthz
            port: 8080
          initialDelaySeconds: 0
          periodSeconds: 10
          failureThreshold: 3
        readinessProbe:
          httpGet:
            path: /ready
            port: 8080
          periodSeconds: 5
          failureThreshold: 3
        resources:
          requests:
            cpu: "250m"
            memory: "256Mi"
          limits:
            cpu: "500m"
            memory: "512Mi"

PodDisruptionBudget (PDB)

PDB garantiza una disponibilidad mínima durante interrupciones voluntarias.

yaml

apiVersion: policy/v1
kind: PodDisruptionBudget
metadata:
  name: web-app-pdb
spec:
  # Method 1: Minimum available Pods
  minAvailable: 2
  # Method 2: Maximum unavailable Pods (use only one)
  # maxUnavailable: 1
  selector:
    matchLabels:
      app: web-app

bash

# Check PDB status
kubectl get pdb web-app-pdb
# NAME          MIN AVAILABLE   MAX UNAVAILABLE   ALLOWED DISRUPTIONS   AGE
# web-app-pdb   2               N/A               1                     5m

Graceful Shutdown

yaml

spec:
  terminationGracePeriodSeconds: 60
  containers:
  - name: app
    lifecycle:
      preStop:
        exec:
          command: ["/bin/sh", "-c", "sleep 5"]

La razón para esperar 5 segundos en preStop: si el Pod termina antes de que se propague la eliminación del endpoint, se produce pérdida de tráfico. La espera garantiza tiempo para la propagación.

Nivel 2: estrategia Multi-AZ

Pod Topology Spread Constraints

Distribuya los Pods de manera uniforme entre las availability zones.

yaml

apiVersion: apps/v1
kind: Deployment
metadata:
  name: web-app
spec:
  replicas: 6
  selector:
    matchLabels:
      app: web-app
  template:
    metadata:
      labels:
        app: web-app
    spec:
      topologySpreadConstraints:
      # Hard constraint: Maximum 1 difference between AZs
      - maxSkew: 1
        topologyKey: topology.kubernetes.io/zone
        whenUnsatisfiable: DoNotSchedule
        labelSelector:
          matchLabels:
            app: web-app
        minDomains: 3
      # Soft constraint: Even distribution across nodes
      - maxSkew: 1
        topologyKey: kubernetes.io/hostname
        whenUnsatisfiable: ScheduleAnyway
        labelSelector:
          matchLabels:
            app: web-app
      containers:
      - name: app
        image: web-app:1.0

Parámetro	Descripción
`maxSkew`	Diferencia máxima en el recuento de Pods entre dominios de topología
`topologyKey`	Base de distribución (zone, hostname, etc.)
`whenUnsatisfiable`	`DoNotSchedule` (Hard) o `ScheduleAnyway` (Soft)
`minDomains`	Número mínimo de dominios (3 para 3 AZs)

Karpenter Multi-AZ NodePool

yaml

apiVersion: karpenter.sh/v1
kind: NodePool
metadata:
  name: default
spec:
  template:
    spec:
      requirements:
      - key: topology.kubernetes.io/zone
        operator: In
        values: ["ap-northeast-2a", "ap-northeast-2b", "ap-northeast-2c"]
      - key: karpenter.sh/capacity-type
        operator: In
        values: ["on-demand", "spot"]
      - key: node.kubernetes.io/instance-type
        operator: In
        values: ["m6i.xlarge", "m6i.2xlarge", "m7i.xlarge", "m7i.2xlarge"]
  disruption:
    consolidationPolicy: WhenEmptyOrUnderutilized
    budgets:
    - nodes: "20%"    # Maximum 20% disrupted simultaneously
    - nodes: "0"
      schedule: "0 9 * * 1-5"   # No disruption during business hours
      duration: 8h

ARC Zonal Shift

AWS Application Recovery Controller (ARC) Zonal Shift redirige automáticamente el tráfico fuera de una AZ con fallas.

bash

# Start Zonal Shift (manual)
aws arc-zonal-shift start-zonal-shift \
  --resource-identifier arn:aws:elasticloadbalancing:ap-northeast-2:123456789012:loadbalancer/app/my-alb/abc123 \
  --away-from ap-northeast-2a \
  --expires-in 1h \
  --comment "AZ-a experiencing issues"

# Enable Zonal Autoshift (automatic)
aws arc-zonal-shift create-practice-run-configuration \
  --resource-identifier $ALB_ARN \
  --outcome-alarms '[{"alarmIdentifier": {"alarmName": "my-alarm", "region": "ap-northeast-2"}, "type": "CLOUDWATCH"}]'

Consideraciones de almacenamiento

Prevención de problemas de bloqueo de AZ con EBS:

yaml

apiVersion: storage.k8s.io/v1
kind: StorageClass
metadata:
  name: ebs-sc
provisioner: ebs.csi.aws.com
volumeBindingMode: WaitForFirstConsumer  # Create volume after Pod scheduling
parameters:
  type: gp3

Acceso entre AZ con EFS:

yaml

apiVersion: storage.k8s.io/v1
kind: StorageClass
metadata:
  name: efs-sc
provisioner: efs.csi.aws.com
parameters:
  provisioningMode: efs-ap
  fileSystemId: fs-12345
  directoryPerms: "700"

Istio Locality-Aware Routing

Priorizar el tráfico dentro de la misma AZ reduce los costos de transferencia entre AZ en un 60-80%.

yaml

apiVersion: networking.istio.io/v1
kind: DestinationRule
metadata:
  name: web-app-dr
spec:
  host: web-app.default.svc.cluster.local
  trafficPolicy:
    outlierDetection:
      consecutive5xxErrors: 5
      interval: 30s
      baseEjectionTime: 30s
    connectionPool:
      tcp:
        maxConnections: 100
  # Locality-aware routing is handled automatically by Istio
  # Based on Pod's topology.kubernetes.io/zone label

Nivel 3: arquitectura basada en Cell

Concepto de Cell

Una Cell es una unidad de servicio autónoma con su propio almacén de datos, caché y cola. Aísla el radio de impacto de las fallas a una Cell específica.

Estrategias de particionamiento de Cell

Estrategia	Descripción	Adecuado para
Basada en clientes	Asignar Cell por hash de ID de cliente	SaaS multi-tenant
Basada en Region	Particionar por ubicación geográfica	Servicios globales
Basada en capacidad	Nueva Cell cuando se alcanza la capacidad	Distribución uniforme de carga
Basada en nivel	Cell por nivel de servicio	Diferenciación Premium/Standard

Implementación de Cell basada en Namespace

yaml

# Cell A Namespace
apiVersion: v1
kind: Namespace
metadata:
  name: cell-a
  labels:
    cell: a
    tier: standard
---
apiVersion: v1
kind: ResourceQuota
metadata:
  name: cell-a-quota
  namespace: cell-a
spec:
  hard:
    requests.cpu: "10"
    requests.memory: 20Gi
    limits.cpu: "20"
    limits.memory: 40Gi
    pods: "50"
---
apiVersion: networking.k8s.io/v1
kind: NetworkPolicy
metadata:
  name: cell-isolation
  namespace: cell-a
spec:
  podSelector: {}
  policyTypes:
  - Ingress
  - Egress
  ingress:
  - from:
    - namespaceSelector:
        matchLabels:
          cell: a
    - namespaceSelector:
        matchLabels:
          role: cell-router
  egress:
  - to:
    - namespaceSelector:
        matchLabels:
          cell: a
    - namespaceSelector:
        matchLabels:
          role: shared-services

Shuffle Sharding

Asignar cada cliente a una combinación de Cells seleccionada aleatoriamente minimiza los clientes afectados por una falla de una sola Cell.

With 2 Cell combinations from a pool of 8 Cells:
- Customer A → Cell 1, Cell 5
- Customer B → Cell 2, Cell 7
- Customer C → Cell 1, Cell 3

When Cell 1 fails:
- Customer A → Automatically switches to Cell 5 ✅
- Customer B → Not affected ✅
- Customer C → Automatically switches to Cell 3 ✅

Número de combinaciones: C(8,2) = 28, lo que hace que la probabilidad de que dos clientes compartan la misma combinación sea muy baja.

Nivel 4: Multi-Cluster / Multi-Region

Comparación de patrones de arquitectura

Patrón	RTO	RPO	Costo	Complejidad
Active-Active	~0	~0	2x+	Muy alta
Active-Passive	Min~Hours	Minutos	1.5x	Alta
Regional Isolation	N/A	N/A	1x por region	Media
Hub-Spoke	Minutos	Minutos	1.3x	Media

Despliegue Multi-Cluster con ArgoCD ApplicationSet

yaml

apiVersion: argoproj.io/v1alpha1
kind: ApplicationSet
metadata:
  name: web-app-set
  namespace: argocd
spec:
  generators:
  # Cluster Generator: Based on cluster labels
  - clusters:
      selector:
        matchLabels:
          environment: production
  template:
    metadata:
      name: 'web-app-{{name}}'
    spec:
      project: default
      source:
        repoURL: https://github.com/org/k8s-manifests.git
        targetRevision: main
        path: 'apps/web-app/overlays/{{metadata.labels.region}}'
      destination:
        server: '{{server}}'
        namespace: web-app
      syncPolicy:
        automated:
          prune: true
          selfHeal: true

Integración con Global Accelerator

bash

# Create Global Accelerator
aws globalaccelerator create-accelerator \
  --name prod-accelerator \
  --ip-address-type IPV4

# Add endpoint groups (each region)
aws globalaccelerator create-endpoint-group \
  --listener-arn $LISTENER_ARN \
  --endpoint-group-region ap-northeast-2 \
  --endpoint-configurations "EndpointId=$NLB_ARN_APNE2,Weight=50" \
  --health-check-path /healthz

Federación Istio Multi-Primary

yaml

# Cross-cluster service discovery
apiVersion: networking.istio.io/v1
kind: ServiceEntry
metadata:
  name: web-app-remote
spec:
  hosts:
  - web-app.default.svc.cluster.local
  location: MESH_INTERNAL
  ports:
  - number: 80
    name: http
    protocol: HTTP
  resolution: DNS
  endpoints:
  - address: web-app.remote-cluster.example.com
    locality: us-west-2/us-west-2a
    ports:
      http: 80

Chaos Engineering

Chaos Engineering es una metodología para inyectar fallas intencionalmente en entornos de producción con el fin de descubrir de forma proactiva las debilidades del sistema.

AWS Fault Injection Service (FIS)

json

{
  "description": "AZ Failure Simulation",
  "targets": {
    "eks-pods": {
      "resourceType": "aws:eks:pod",
      "selectionMode": "ALL",
      "parameters": {
        "clusterIdentifier": "production-cluster",
        "namespace": "default",
        "selectorType": "labelSelector",
        "selectorValue": "app=web-app"
      }
    }
  },
  "actions": {
    "delete-pods": {
      "actionId": "aws:eks:pod-delete",
      "parameters": {},
      "targets": { "Pods": "eks-pods" }
    }
  },
  "stopConditions": [
    {
      "source": "aws:cloudwatch:alarm",
      "value": "arn:aws:cloudwatch:ap-northeast-2:123456789012:alarm:error-rate-high"
    }
  ]
}

Litmus Chaos (CNCF Incubating)

yaml

apiVersion: litmuschaos.io/v1alpha1
kind: ChaosEngine
metadata:
  name: pod-delete-chaos
  namespace: default
spec:
  appinfo:
    appns: default
    applabel: app=web-app
    appkind: deployment
  chaosServiceAccount: litmus-admin
  experiments:
  - name: pod-delete
    spec:
      components:
        env:
        - name: TOTAL_CHAOS_DURATION
          value: "30"
        - name: CHAOS_INTERVAL
          value: "10"
        - name: FORCE
          value: "false"

Chaos Mesh

yaml

apiVersion: chaos-mesh.org/v1alpha1
kind: NetworkChaos
metadata:
  name: network-delay
spec:
  action: delay
  mode: all
  selector:
    namespaces:
    - default
    labelSelectors:
      app: web-app
  delay:
    latency: "100ms"
    jitter: "50ms"
    correlation: "25"
  duration: "5m"

Marco de Game Day

Fase	Actividad	Entregable
1. Registrar estado estable	Recopilar líneas base de métricas	Captura del dashboard
2. Inyectar falla	Ejecutar experimentos FIS/Litmus	Logs del experimento
3. Observar recuperación	Monitorear el proceso de recuperación automática	Medición del tiempo de recuperación
4. Analizar impacto	Analizar tasa de errores y cambios de latencia	Informe de impacto
5. Revisión post-mortem	Identificar mejoras, Action Items	Plan de mejora

Checklist de implementación

Nivel 1 básico

[ ] Configurar Liveness/Readiness Probe para todos los contenedores
[ ] Configurar requests/limits de recursos
[ ] Configurar PodDisruptionBudget
[ ] Implementar Graceful shutdown (hook preStop)
[ ] Configurar terminationGracePeriodSeconds adecuado

Nivel 2 Multi-AZ

[ ] Aplicar Pod Topology Spread Constraints
[ ] Configurar distribución en 3 AZ en Karpenter NodePool
[ ] Configurar WaitForFirstConsumer en StorageClass
[ ] Habilitar ARC Zonal Shift
[ ] Monitorear costos de tráfico Cross-AZ

Nivel 3 basado en Cell

[ ] Definir límites de Cell (Namespace o Cluster)
[ ] Implementar Cell Router
[ ] Aislar Cells con NetworkPolicy
[ ] Implementar Shuffle Sharding
[ ] Configurar ResourceQuota por Cell

Nivel 4 Multi-Region

[ ] Decidir el patrón de arquitectura Multi-Region
[ ] Configurar Global Accelerator
[ ] Desplegar multi-cluster con ArgoCD ApplicationSet
[ ] Establecer estrategia de replicación de datos
[ ] Mantener coherencia con GitOps

Consideraciones de costo

Elemento	Impacto en costo	Estrategia de reducción de costos
Multi-Region Active-Active	2x+ comparado con una sola region	Reducir Passive en 50-70% con Active-Passive
Tráfico Cross-AZ	$0.01/GB (dentro de la misma region)	Reducir 60-80% con Locality-aware routing
Spot Instance	60-90% de ahorro comparado con On-Demand	Aplicar a workloads sin estado
Chaos Engineering	Costos de experimentos FIS	ROI mediante prevención de fallas

Próximos pasos

Depuración avanzada de EKS y respuesta a incidentes
Cuestionario sobre alta disponibilidad de EKS
Istio Service Mesh - Análisis profundo de Circuit Breaker y Retry

Gestión del tráfico

Seguridad

Observabilidad

Resiliencia

Avanzado

Guía de comparación

ArgoCD

Métricas

Registro de logs

Trazado

Alertas

Resiliencia y alta disponibilidad de EKS ​

Descripción general de la resiliencia ​

Modelo de madurez de la resiliencia ​

Nivel 1: resiliencia básica (nivel de Pod) ​

Liveness/Readiness/Startup Probes ​

PodDisruptionBudget (PDB) ​

Graceful Shutdown ​

Nivel 2: estrategia Multi-AZ ​

Pod Topology Spread Constraints ​

Karpenter Multi-AZ NodePool ​

ARC Zonal Shift ​

Consideraciones de almacenamiento ​

Istio Locality-Aware Routing ​

Nivel 3: arquitectura basada en Cell ​

Concepto de Cell ​

Estrategias de particionamiento de Cell ​

Implementación de Cell basada en Namespace ​

Shuffle Sharding ​

Nivel 4: Multi-Cluster / Multi-Region ​

Comparación de patrones de arquitectura ​

Despliegue Multi-Cluster con ArgoCD ApplicationSet ​

Integración con Global Accelerator ​

Federación Istio Multi-Primary ​

Chaos Engineering ​

AWS Fault Injection Service (FIS) ​

Litmus Chaos (CNCF Incubating) ​

Chaos Mesh ​

Marco de Game Day ​

Checklist de implementación ​

Nivel 1 básico ​

Nivel 2 Multi-AZ ​

Nivel 3 basado en Cell ​

Nivel 4 Multi-Region ​

Consideraciones de costo ​

Próximos pasos ​

Pregunta a la documentación

Resiliencia y alta disponibilidad de EKS

Descripción general de la resiliencia

Modelo de madurez de la resiliencia

Nivel 1: resiliencia básica (nivel de Pod)

Liveness/Readiness/Startup Probes

PodDisruptionBudget (PDB)

Graceful Shutdown

Nivel 2: estrategia Multi-AZ

Pod Topology Spread Constraints

Karpenter Multi-AZ NodePool

ARC Zonal Shift

Consideraciones de almacenamiento

Istio Locality-Aware Routing

Nivel 3: arquitectura basada en Cell

Concepto de Cell

Estrategias de particionamiento de Cell

Implementación de Cell basada en Namespace

Shuffle Sharding

Nivel 4: Multi-Cluster / Multi-Region

Comparación de patrones de arquitectura

Despliegue Multi-Cluster con ArgoCD ApplicationSet

Integración con Global Accelerator

Federación Istio Multi-Primary

Chaos Engineering

AWS Fault Injection Service (FIS)

Litmus Chaos (CNCF Incubating)

Chaos Mesh

Marco de Game Day

Checklist de implementación

Nivel 1 básico

Nivel 2 Multi-AZ

Nivel 3 basado en Cell

Nivel 4 Multi-Region

Consideraciones de costo

Próximos pasos