备份最容易漏掉的事:真的把它恢复一次
定时任务每天凌晨亮绿灯,不等于数据安全。它只能证明某个命令返回了成功,不能证明备份完整、密钥还在、数据库版本兼容,或者你在故障时能把服务拉起来。备份是动作,恢复能力才是结果。
这篇适合已经运行生产服务的人:先明确可接受的损失,再设计备份和演练。示例以 PostgreSQL 的逻辑备份说明,实际命令和权限应根据版本、托管服务和安全策略调整。
先问两个不太舒服的问题
- RPO:最多能丢多久的数据?每天凌晨备份一次,理论上故障时可能损失接近一天的数据;复制或增量日志方案能缩小窗口,但需要额外设计。
- RTO:从故障到服务恢复,最多能等多久?下载备份、创建数据库、导入、验证、切流都算在内。
例如一个低流量个人博客能接受一天数据损失、四小时恢复;订单系统可能完全不能。先和业务确认目标,才知道是每天导出一次、做持续归档,还是需要跨区域恢复。
一个可检查的逻辑备份流程
# 在受控环境执行;用安全的凭据机制,例如权限受限的 .pgpass
umask 077
pg_dump --format=custom --file=app.dump --dbname=appdb
pg_restore --list app.dump > app.contents.txt
sha256sum app.dump > app.dump.sha256
pg_restore --list 能列出归档目录,但不证明所有数据都能恢复;SHA-256 能检测传输或存储后的变化,但不能证明导出时的数据正确。逻辑备份默认主要包含单个数据库的对象,不自动覆盖所有集群级角色、权限、外部文件或对象存储。应用密钥、环境配置、上传文件和 DNS 配置应分别盘点。
传输时使用加密连接;备份落盘时加密并妥善管理密钥。副本至少保留在与源服务器独立故障域的位置,限制删除权限,并考虑不可变保留策略。不要把备份密码直接写进脚本、URL 或日志。保存周期要与法规、隐私和成本一起评估:备份不是无限期留存一切的理由。
恢复演练:在隔离环境走完全程
下面假设你已创建隔离的测试 PostgreSQL 实例及空数据库 restore_test,确认连接不会指向生产环境:
sha256sum -c app.dump.sha256
pg_restore --dbname=restore_test --no-owner app.dump
--no-owner 只是恢复时不设置原始所有权;权限、扩展、角色和依赖仍需根据环境处理。不要把上述命令对着已有生产库执行。大库可能需要更合适的并行恢复方案,并确认数据库版本兼容。
恢复后不只看命令退出码:检查关键表数量、最近一条业务记录、应用能否用受限账号启动、上传文件能否打开、关键交易是否可读。记录从开始到验证完成的真实耗时,与 RTO 比较;记录最后可恢复业务数据时间,与 RPO 比较。测试环境避免向真实用户发邮件或触发支付。
当演练失败时
把失败分解成具体缺口:是备份对象遗漏、跨区下载太慢、加密密钥无法取得、版本不兼容,还是缺少运行手册?逐项修复,再复测。备份失败和恢复演练过期都应告警,告警必须有人接收;一条没人看的红灯,只是更鲜艳的装饰。
备份作业本身也要有故障模型
假设备份写入对象存储:上传中断、凭据过期、磁盘临时空间耗尽、对象被误删、加密密钥轮换失败,都可能让备份不可用。作业应检查每一步退出状态,将备份写到临时文件,校验通过后再标记完成;不要让一个空文件也被监控当作成功。告警包含备份时间、大小、目标位置和失败阶段,但不能包含口令与明文数据。
对于需要更低 RPO 的 PostgreSQL,可评估物理备份与 WAL 归档并做时间点恢复,而不是误以为 pg_dump 自动提供逐秒恢复。具体方案还要考虑 WAL 保留、复制槽堆积、版本升级、加密与跨区域延迟。恢复时先选择恢复目标时间,准备独立实例,再按照官方版本对应的流程验证;不要在事故现场第一次尝试这套流程。
一个演练记录模板
记录:备份生成时间、恢复环境、开始和结束时间、备份校验结果、数据库与应用版本、验证过的关键业务、实际 RPO/RTO、失败项和负责人。恢复测试实例中的数据同样受隐私与访问控制约束;测试完按策略清理,避免“备份做得很安全,恢复副本却裸奔”。