SenseiTeoría desde cero0/59

7 · La nubeLección 2 de 5

Regiones, zonas y disponibilidad

Regions, zones and availability

Dónde está físicamente la nube, qué pasa cuando un centro de datos se apaga, cuánto protege repartir las réplicas en zonas y cuándo vale la pena pagar una segunda región.

⏱ 65 min lo esencial · 80 min todo16 conceptos nuevos2 calculadoras10 ejerciciosOrquestación
Secciones14
  1. 01Regiones: la nube tiene dirección y distancia
  2. 02Zonas y dominios de falla
  3. 03Multi-AZ, N+1 y ruteo por zona
  4. 04El SLA y la cuenta de disponibilidad
  5. 05Multi-región y failover
  6. 06Recuperación ante desastres: RPO y RTO
  7. 07Replicación entre regiones y ensayos extra
  8. 08Cómo elegir región extra
  9. 09Errores comunes
  10. 10En la vida real extra
  11. 11Ejercicios
  12. 12Lo que sigue extra
  13. 13Palabras que vas a oír
  14. 14Chequeo
La pregunta

Alba, el marketplace que sigue el curso, corre su modelo en «us-east-1, en dos zonas». ¿Qué es eso, por qué dos y no una, qué pasa si una se cae, y por qué no hace falta una segunda región?

En la lección de la nube viste que «la nube» son computadoras de alguien más, en un centro de datos que no ves, rentadas por hora. Pero esas computadoras están en algún lugar. Tienen un edificio, un enchufe, un cable que sale a la calle. Y un edificio se puede quedar sin luz, se puede inundar o se puede quedar sin red.

Alba, la empresa que seguimos en todo el curso, es un marketplace: recibe ≈ 2.5 millones de publicaciones al día y le sugiere a quien vende la categoría de cada foto, entre 500 posibles. Su modelo contesta ≈ 10 millones de fotos al día, con un pico de diseño de 500 por segundo. Su diseño dice: «AWS, región us-east-1, dos zonas, us-east-1a y us-east-1b». Cada parte de esa frase es una decisión. La región decide qué tan lejos queda el modelo de quien lo llama, qué leyes aplican y qué máquinas hay. Las dos zonas deciden qué pasa el día que un edificio completo se apaga.

En la lección de probabilidad ya hiciste las cuentas: los los nueves, las piezas en serie y la redundancia. Aquí vas a ver el terreno donde esas cuentas se aplican: qué es exactamente una región y una zona, cuánta latencia cuesta cada kilómetro, qué promete de verdad el proveedor y qué hacer el día que no alcanza con una región.

01

Regiones: la nube tiene dirección y distancia

Esencial

Regions: the cloud has an address and a distance

Qué es una región

Una región (region) es un área geográfica donde un proveedor de nube tiene un grupo de centros de datos y los opera como una unidad separada de las demás. Cada una tiene un nombre en código:

ProveedorNombreDónde está
AWSus-east-1Norte de Virginia, Estados Unidos
AWSus-west-2Oregón, Estados Unidos
AWSsa-east-1São Paulo, Brasil
AWSmx-central-1Centro de México (Querétaro)
Google Cloudus-central1Iowa, Estados Unidos
Google Cloudnorthamerica-south1Querétaro, México
AzureeastusVirginia, Estados Unidos
AzuremexicocentralQuerétaro, México

Cada uno de los tres grandes (AWS, Google Cloud y Azure) tiene decenas de regiones repartidas por el mundo, y abren nuevas cada año.

Lo importante es que las regiones están separadas a propósito. Una máquina que creas en us-east-1 no existe en us-west-2. Un bucket vive en una región y sus bytes no salen de ahí si tú no los mandas. Cuando le hablas a la API de la nube, le hablas a la de una región. Esa separación es la que permite que un problema en Virginia no tumbe a Oregón.

Por eso «¿en qué región?» es de las primeras preguntas de un diseño. La región cambia cinco cosas:

  • La distancia a tus usuarios y a los sistemas que te llaman, que se convierte en latencia.
  • El catálogo. No todas las regiones tienen todas las máquinas ni todos los servicios. Una GPU nueva llega primero a unas pocas.
  • El precio. La misma máquina cuesta distinto en cada región.
  • La ley. Los datos guardados en una región están físicamente en ese país, y les aplican sus leyes.
  • Tus límites. Tu cuota (cuántas máquinas te deja prender el proveedor) se cuenta por región.

Cuando hay que elegir, esas cosas se revisan en orden. Primero la ley: si un contrato exige que ciertos datos no salgan del país (la residencia de datos), las regiones de fuera quedan descartadas sin mirar nada más. Luego el catálogo: ¿tiene la GPU que necesitas? Luego la distancia a quien te llama. Y al final, el precio. La sección «Cómo elegir región» lo desarrolla.

Una región de la nube, us-east-1, en el norte de Virginia. Adentro hay tres zonas de disponibilidad: us-east-1a, us-east-1b y us-east-1c. Cada zona tiene uno o varios centros de datos, con su propia electricidad y su propia red. Las zonas están unidas entre sí por fibra del proveedor, con un tiempo de ida y vuelta de más o menos 1 milisegundo. Fuera de la región, todo queda lejos: otra región, us-west-2 en Oregón, está a unos 3,500 kilómetros, con 60 a 80 milisegundos de ida y vuelta; y Ana, en la Ciudad de México, está a unos 3,000 kilómetros, con unos 60 milisegundos. REGIÓN us-east-1 · NORTE DE VIRGINIA us-east-1a CD CD luz y red propias us-east-1b CD CD luz y red propias us-east-1c CD CD luz y red propias fibra propia entre zonas · ida y vuelta ≈ 1 ms ≈ 3,500 km ≈ 3,000 km Otra región us-west-2 · Oregón ida y vuelta ≈ 60–80 ms Ana, en CDMX su teléfono y su red ida y vuelta ≈ 60 ms CD = centro de datos. Cada zona tiene uno o varios.
Una región es un grupo de zonas cercanas entre sí, unidas por fibra propia (us-east-1 tiene seis; aquí se dibujan tres). Otra región queda a cientos o miles de kilómetros. La distancia se nota en los milisegundos.

La distancia es latencia

En la lección de red viste el RTT (round-trip time): lo que tarda un mensaje en ir y volver. Hay una parte del RTT que ningún ingeniero puede bajar, porque es física.

Entre ciudades, los datos viajan por fibra óptica: hilos de vidrio muy delgados por los que van pulsos de luz. En el vacío, la luz recorre ≈ 300,000 km por segundo. Dentro del vidrio de la fibra va a unos dos tercios de eso: ≈ 200,000 km por segundo, o ≈ 200 km por milisegundo. Entonces 100 km de ida toman 0.5 ms, y la ida y vuelta, 1 ms. De ahí la regla práctica: al menos 1 ms de RTT por cada 100 km.

Con letras, la cuenta completa queda así:

RTT por distancia
RTTmin=2×dv
RTT≈f×RTTmin
tred=k×RTT
parte de la meta=tredS
donde
d
la distancia en línea recta entre quien llama y la región, en km
v
lo que recorre la luz en la fibra: ≈ 200 km por ms
RTTmin
el RTT mínimo que permite la física, en ms
RTT
el RTT real, el que se mide, en ms
f
el factor de la ruta real: cuántas veces el mínimo tarda de verdad (≈ 2, la tabla de abajo dice por qué)
k
cuántas idas y vueltas hace una request: 1 con la conexión ya abierta, ≈ 3 si abre una nueva
tred
el tiempo que la request pasa en la red, en ms
S
la meta de latencia, en ms
De la Ciudad de México al norte de VirginiaLa cuenta
Distancia den línea recta, sobre la superficie de la Tierra
—
≈ 3,000 km
Solo de idaa v = 200 km por ms
d÷v = 3,000 ÷ 200
15 ms
RTT mínimo RTTminida y vuelta
2×d÷v = 2 × 15
30 ms
RTT reallos cables no van en línea recta y hay equipos en medio: f ≈ 2
f×RTTmin = 2 × 30
≈ 60 ms
Tiempo en la red tredcon la conexión ya abierta, k = 1
k×RTT = 1 × 60
60 ms
Lo que se va solo en el viajede una meta S = 300 ms, la del SLO de Alba
tred÷S = 60 ÷ 300
20 %
Resultado
Antes de que el modelo haga nada, una quinta parte del tiempo ya se gastó en kilómetros.

El «doble» sale de comparar la física con lo medido. Estos son rangos típicos:

De dónde a dóndeDistanciaMínimo físicoRTT típico
Dos máquinas en la misma zonametros≈ 0≈ 0.1–0.5 ms
Dos zonas de la misma regióndecenas de km< 1 ms≈ 0.4–2.5 ms
Dos regiones vecinas≈ 500 km≥ 5 ms≈ 10–15 ms
Costa a costa de Estados Unidos≈ 3,500 km≥ 35 ms≈ 60–80 ms
Entre continentesmiles de kmdecenas de ms≈ 70–250 ms
Para ir más hondoCalcularlo para cualquier ciudad

El programa calcula la distancia entre dos puntos del planeta con sus coordenadas (latitud y longitud) y de ahí el RTT mínimo. Las coordenadas son aproximadas: sirven para el orden de magnitud.

Python
from math import radians, sin, cos, asin, sqrt

def km(a, b):                      # distancia sobre la esfera (fórmula del haversine)
    la1, lo1, la2, lo2 = map(radians, (*a, *b))
    h = sin((la2 - la1) / 2) ** 2 + cos(la1) * cos(la2) * sin((lo2 - lo1) / 2) ** 2
    return 2 * 6371 * asin(sqrt(h))

cdmx = (19.43, -99.13)
regiones = {"Querétaro": (20.59, -100.39), "Norte de Virginia": (39.04, -77.49),
            "Oregón": (45.84, -119.70), "São Paulo": (-23.55, -46.63),
            "Fráncfort": (50.11, 8.68), "Tokio": (35.68, 139.69)}

print(f"{'desde CDMX a':<20}{'km':>7}{'RTT mínimo':>12}{'≈ real (×2)':>13}")
for nombre, punto in regiones.items():
    d = km(cdmx, punto)
    rtt = 2 * d / 200              # ida y vuelta, a 200 km por milisegundo
    print(f"{nombre:<20}{d:>7,.0f}{rtt:>9.1f} ms{2 * rtt:>10.0f} ms")
Salida
desde CDMX a             km  RTT mínimo  ≈ real (×2)
Querétaro               184      1.8 ms         4 ms
Norte de Virginia     3,011     30.1 ms        60 ms
Oregón                3,489     34.9 ms        70 ms
São Paulo             7,432     74.3 ms       149 ms
Fráncfort             9,560     95.6 ms       191 ms
Tokio                11,307    113.1 ms       226 ms

Fíjate en São Paulo: está en Latinoamérica, pero queda más del doble de lejos de la Ciudad de México que Virginia.

Un dato que sorprende: desde la Ciudad de México, São Paulo queda a ≈ 7,400 km y Virginia a ≈ 3,000. «La región de mi continente» no siempre es la más cercana.

Dos cosas hacen que la distancia pese más de lo que parece:

  • Una conexión nueva da varias vueltas. Antes de mandar la foto hay que abrir la conexión (el saludo inicial, o handshake) y acordar el cifrado de HTTPS. Son k ≈ 3 idas y vueltas: tred=k×RTT = 3 × 60 = 180 ms antes de empezar. Por eso se reusan las conexiones abiertas (keep-alive).
  • Lo que importa es quién te llama, no dónde está el usuario final. Al modelo de Alba no lo llama el teléfono de Ana, una vendedora de la Ciudad de México que publica la foto de sus tenis: lo llama el backend de publicación (el programa de Alba que recibe la publicación), que vive en la misma región. Esa llamada viaja metros, no miles de kilómetros. Los 60 ms entre el teléfono de Ana y Virginia se gastan antes, cuando la app le habla al backend, y no entran en el presupuesto de 300 ms del modelo.

De ahí sale una regla de diseño: pon el modelo junto a quien lo llama y junto a sus datos. Si el backend y las fotos están en us-east-1, el modelo va en us-east-1.

De kilómetros a milisegundosCalculadora

Aplica las ecuaciones de la lección: RTTmin=2×d÷v, con v ≈ 200 km por milisegundo (la luz en la fibra); RTT≈f×RTTmin; y tred=k×RTT. Pon la distancia entre quien llama y la región, y mira cuánto de la meta de latencia S se va solo en el viaje.

RTT mínimo que permite la física, RTTmin2×d÷20030.0 ms
RTT real estimado, RTTf×RTTmin60.0 ms
Tiempo en la red por request, tredk×RTT60.0 ms
Parte de la meta que se va en el viajetred÷S20 %

De la Ciudad de México a Virginia: ≈ 60 ms, el 20 % de una meta de 300 ms como la de Alba. Con k = 3 idas y vueltas, 3 × 60 = 180 ms: el 60 %. Entre dos zonas (≈ 50 km): 2 × 50 ÷ 200 = 0.5 ms de mínimo, ≈ 1 ms real.

Arranca con la cuenta de arriba: 3,000 km, el doble de la física y una sola ida y vuelta. Sube las idas y vueltas a 3 para ver lo que cuesta abrir una conexión nueva desde lejos.

02

Zonas y dominios de falla

Esencial

Zones and failure domains

Qué es una zona

Dentro de una región, los centros de datos no están todos en el mismo edificio. Se agrupan en zonas de disponibilidad (availability zones; en el trabajo se dice AZ o «zona» a secas). Una zona es uno o más centros de datos con su propia electricidad, su propio enfriamiento y su propia red, aislados de las otras zonas de la región.

  • Están separadas por kilómetros, para que un incendio, una inundación o un apagón no les pegue a dos a la vez. En AWS, según su documentación, quedan a menos de 100 km unas de otras.
  • Están unidas por fibra del propio proveedor. Por eso el RTT entre dos zonas es de ≈ 1 ms: lo bastante cerca para trabajar como si fueran una sola red.
  • Se nombran con el nombre de la región y una letra: us-east-1a, us-east-1b. En Google Cloud, us-central1-a. En Azure se numeran: zona 1, 2 y 3.
  • En AWS y en Google Cloud, cada región tiene tres o más. us-east-1 tiene seis. En Azure no todas: varias regiones no tienen zonas, y hay que revisarlo antes de elegir una. Un diseño usa dos o tres: Alba usa dos, y un servicio que sirve su propio modelo grande de lenguaje (LLM), como el de «En la vida real», usa tres.

Lo que vive en una zona y lo que vive en la región

No todo lo que rentas está repartido. Hay recursos zonales, que existen en una sola zona, y recursos regionales, que el proveedor reparte por ti entre varias.

RecursoDónde viveSi cae su zona
Una máquina virtual (instancia)Una zonaSe cae con ella
Un disco de red (EBS, en AWS)Una zonaSe queda atrapado: no se puede conectar a una máquina de otra zona
Una subred (un pedazo de tu red privada)Una zonaQueda sin máquinas
El object storage (S3 Standard, en AWS)La región: copias en al menos 3 zonasSigue respondiendo
El balanceador de carga (el ALB, en AWS)Las zonas que tú elijasAtiende desde las demás
El plano de control de Kubernetes gestionadoLa regiónSigue respondiendo

En la última fila, el plano de control es la parte de Kubernetes que recibe tus órdenes y decide en qué máquina corre cada cosa. Es gestionado cuando lo opera el proveedor por ti: en AWS ese servicio se llama EKS, y AWS reparte el plano de control entre varias zonas.

La consecuencia práctica: repartir las máquinas te toca a ti. El proveedor reparte S3 por ti, pero si pones tus dos servidores en us-east-1a, los dos se caen juntos, y nadie te avisa al crearlos.

Para ir más hondoTu «us-east-1a» no es la mía

En nueve regiones viejas de AWS, us-east-1 entre ellas, la letra de la zona se asignó por cuenta. Tu us-east-1a y la de otra empresa pueden ser edificios distintos. AWS lo hizo para que no todo el mundo eligiera la «a» y la llenara. Las regiones abiertas después de 2012 usan las mismas letras para todos, y en esas nueve las cuentas creadas desde noviembre de 2025 también. El nombre que sí es igual para todos es el id de zona, como use1-az4.

Así se ve en la terminal de alguien que pregunta qué zonas tiene su región, con los dos nombres. Es una ilustración: necesita una cuenta de AWS y su programa para la terminal, el aws.

Terminal
aws ec2 describe-availability-zones --region us-east-1 \
  --query "AvailabilityZones[].[ZoneName, ZoneId, State]" --output text
# us-east-1a   use1-az4   available
# us-east-1b   use1-az6   available
# us-east-1c   use1-az1   available
# … y tres líneas más: us-east-1 tiene seis zonas

El id de zona importa cuando dos cuentas quieren estar en la misma zona física, para que su tráfico no cruce de zona, o cuando un aviso de falla dice «afectada: use1-az4» y tienes que saber cuál de tus letras es.

Dominios de falla

Un dominio de falla (failure domain) es todo lo que se cae junto cuando falla una sola cosa. Una máquina es un dominio de falla: si se quema su fuente de poder, se cae todo lo que corre en ella. Una zona es otro, más grande: si se queda sin luz, se caen todas sus máquinas.

Los dominios van uno dentro de otro, como muñecas rusas: la región guarda zonas, cada zona guarda máquinas y cada máquina corre pods. La comparación sirve para el acomodo, no para la falla: una muñeca rota deja sanas a las de adentro, pero cuando falla un dominio se cae todo lo que lleva adentro.

Cuatro dominios de falla, uno dentro de otro, como muñecas rusas. El de afuera es la región: falla muy rara vez y la defensa es otra región. Adentro está la zona: falla rara vez, pero pasa, y la defensa son réplicas en otra zona. Adentro de la zona está el nodo, una máquina: falla de vez en cuando y la defensa es una réplica de más en otra máquina, el N+1. Y adentro del nodo está el pod, tu programa: falla seguido y Kubernetes lo reinicia solo. Cuanto más grande es el dominio, menos seguido falla y más se lleva. DOMINIOS DE FALLA: UNO DENTRO DE OTRO Región · muy rara defensa: otra región Zona · rara, pero pasa defensa: réplicas en otra zona Nodo (una máquina) · ocasional defensa: una réplica de más (N+1) Pod (tu programa) · común defensa: Kubernetes lo reinicia solo Más grande: falla menos, pero se lleva más. Tus réplicas van en dominios distintos del tamaño que quieres sobrevivir.
Cuatro dominios de falla, uno dentro de otro. Los de adentro fallan seguido y se llevan poco. Los de afuera fallan rara vez y se llevan todo lo que contienen.

La tabla los ordena del más chico al más grande. Un pod es la unidad en la que Kubernetes, el orquestador, corre tu programa; un nodo es una de las máquinas del grupo.

Qué fallaQué tan seguidoQué se llevaLa defensa
Un pod (tu programa se cuelga)ComúnUna réplicaKubernetes lo reinicia solo
Un nodo (la máquina)OcasionalTodas las réplicas de esa máquinaUna réplica de más en otra máquina
Una GPU (errores de hardware)OcasionalLo que corría en esa GPUSacar ese nodo y reemplazarlo
Una zonaRara, pero pasaTodo lo zonal de esa zonaRéplicas en otra zona
Una regiónMuy raraTodoOtra región
Mantenimiento planeadoFrecuenteLos nodos que se actualizanActualizar uno por uno, con un mínimo siempre arriba

De la tabla salen dos ideas.

Tus réplicas tienen que estar en dominios distintos del tamaño que quieres sobrevivir. Dos réplicas en la misma máquina no sobreviven a la máquina. Dos réplicas en máquinas distintas de la misma zona no sobreviven a la zona. En la lección de probabilidad lo viste con números: la redundancia solo suma contra fallas independientes, y compartir un dominio de falla es la forma más común de no serlo.

Cada dominio más grande cuesta más de cubrir. Reiniciar un pod es gratis. Una máquina de más cuesta una máquina. Poner esa máquina de más en otra zona cuesta lo mismo, más un poco de red. Otra región cuesta, como vas a ver, cerca de un tercio de toda la infraestructura. Por eso no se cubre «todo»: se decide hasta qué dominio.

Para ir más hondoLas fallas grises

Una zona casi nunca falla como en las películas, con todo apagado. Lo normal es una falla parcial: la red de la zona pierde paquetes, o no se pueden crear máquinas nuevas, o un servicio contesta lento. Tus réplicas de esa zona siguen «vivas» pero funcionan mal. Por eso la defensa no es «detectar que la zona murió», sino health checks que saquen a cada réplica que deja de contestar bien, sea cual sea la causa.

03

Multi-AZ, N+1 y ruteo por zona

Esencial

Multi-AZ, N+1 and zone-aware routing

Repartir en zonas

Multi-AZ quiere decir que cada pieza de tu sistema tiene réplicas en dos o más zonas de la misma región, y que cualquiera de las zonas puede atender sola. Es la protección contra el dominio «zona», y casi siempre se quiere, por tres razones:

  • Es barato. Las zonas están a ≈ 1 ms: no hay que cambiar el diseño. Las máquinas cuestan lo mismo en una zona que en otra.
  • Es casi automático. El balanceador y Kubernetes ya saben de zonas: basta con decirles que repartan.
  • Cubre la falla grande más probable. Una zona caída es rara; una región entera, mucho más rara.

Así queda el sistema de Alba:

Alba en una región y dos zonas · Toca cada caja para ver por qué está ahí, y usa «Recorrer» para ver un día normal, la caída de una zona y lo que pasa si las requests cruzan de zona.
  • Backend · de publicación
    El programa de Alba que recibe la publicación de Ana y le pide al modelo la categoría. Vive en la misma región: su llamada viaja metros, no miles de kilómetros.
  • Balanceador · ALB · en las 2 zonas
    El balanceador de carga es un recurso que el proveedor reparte en las zonas que eliges. Vigila a cada gateway con health checks y deja de mandarle tráfico al que no contesta. Así el failover (conmutación por falla) entre zonas toma de segundos a un minuto, según cómo se configuren los checks, y nadie lo ordena.
  • Gateway · zona 1a
    Recibe la foto, la valida y la prepara. Hay uno por zona. Con ruteo por zona, le habla al Triton de su zona.
  • Triton · T4 · zona 1a
    El servidor que corre la ResNet-50 en una GPU T4. Una sola aguanta el pico de 500 fotos por segundo: la otra es el N+1. En el pico de diseño trabaja al ≈ 21 % de su máximo; en un día normal, al ≈ 5 %.
  • Gateway · zona 1b
    La copia del gateway en la otra zona: otro edificio, otra electricidad, otra red.
  • Triton · T4 · zona 1b
    La segunda T4. No está por el tráfico: está para que, si cae una zona, la otra aguante sola al ≈ 42 %. Tiene que estar encendida y atendiendo: una GPU nueva tarda de 5 a 13 minutos en servir.
  • S3 · pesos y engine
    Guarda los pesos del modelo y su engine (el modelo ya optimizado para la T4). El object storage es regional: guarda copias en varias zonas sin que hagas nada. Si cae una zona, los pesos siguen ahí para la otra.
Para ir más hondoCómo se pide en Kubernetes

Es una ilustración (no la vas a correr aquí). La primera parte le dice a Kubernetes que la diferencia de réplicas entre zonas sea de 1 como máximo; la segunda, que cada llamada prefiera una réplica de su misma zona.

YAML
# En el Deployment de Triton: una réplica por zona
topologySpreadConstraints:
  - maxSkew: 1
    topologyKey: topology.kubernetes.io/zone   # la etiqueta que dice en qué zona está cada nodo
    whenUnsatisfiable: DoNotSchedule
---
# En el Service de Triton: preferir la misma zona
spec:
  trafficDistribution: PreferSameZone

N+1, contado por zona

En la lección de probabilidad viste la regla N+1: N réplicas para atender el tráfico y una de repuesto, para que perder una no se note. Alba necesita una sola T4 (la GPU donde corre su modelo, que aguanta ≈ 1,200 fotos por segundo) para su pico de diseño de 500 fotos por segundo, y tiene dos, una por zona.

Cuando el dominio que quieres sobrevivir es la zona, el «+1» no es una máquina: es una zona entera de capacidad. La regla queda así:

Si cae una zona, las que quedan tienen que aguantar el pico completo.

Con dos zonas, cada una tiene que poder con el 100 % del pico: pagas el doble de lo que el tráfico pide. Con tres zonas, al caer una quedan dos, así que cada una necesita la mitad del pico: tres mitades son 1.5 veces el pico. En general, con Z zonas, al caer una quedan Z − 1, cada zona carga 1 ÷ (Z − 1) del pico, y las Z juntas suman Z ÷ (Z − 1) veces el pico.

El pico de diseño de Alba (500 fotos por segundo) no enseña la diferencia, porque una T4 por zona sobra. Míralo en una campaña sostenida hipotética, como un Hot Sale (la campaña anual de ventas en línea de México), con el tráfico × 5 durante horas: 5 × 500 = 2,500 fotos por segundo. No es la ráfaga de un minuto que sigue a una notificación masiva: es tráfico alto que se queda. Pediría subir el tope del autoscaler de Alba de 4 a 6 T4 y su cuota de 28 a ≈ 36 vCPU, con la de sobra al desplegar, staging y CI.

Falta una regla para la cuenta: ninguna GPU debe pasar del 70 % de su máximo, ni siquiera con una zona caída. Ese margen (headroom) existe porque cerca del 100 % las requests empiezan a hacer fila y la latencia se dispara.

Con el tope, la regla queda en tres ecuaciones:

N+1 por zona
Rz=⌈P(Z−1)×c×u⌉
R=Z×Rz
ρnormal=PR×c
ρcaída=P(R−Rz)×c
donde
P
el pico que hay que aguantar, en requests (aquí, fotos) por segundo
c
lo que aguanta una réplica al máximo, en requests por segundo
u
el tope de uso que aceptas con una zona caída, como fracción: 0.70 para el 70 %
Z
cuántas zonas usas
Rz
las réplicas de cada zona. ⌈ ⌉ quiere decir «redondea hacia arriba»: no existe media réplica
R
las réplicas en total
ρnormal,ρcaída
el uso de cada réplica en el pico, con todas las zonas arriba y con una zona caída
Una campaña sostenida en Alba: 2,500 fotos por segundoLa cuenta
Pico P5 × el pico de diseño
5 × 500
2,500 por segundo
Lo que aguanta una T4 al máximo, clo que mide Alba
—
≈ 1,200 por segundo
Tope en emergencia, c×ucon una zona caída, sin pasar de u = 70 %
0.70 × 1,200
840 por segundo
T4 por zona, Rzcon Z = 2, la zona que queda carga todo
P÷((Z−1)×c×u) = 2,500 ÷ (1 × 840) = 2.98, hacia arriba
3
T4 en total, R
Z×Rz = 2 × 3
6 T4
Uso con las dos zonas arriba, ρnormal
P÷(R×c) = 2,500 ÷ (6 × 1,200)
≈ 35 %
Uso si cae una zona, ρcaídaquedan R−Rz = 3
P÷((R−Rz)×c) = 2,500 ÷ (3 × 1,200)
≈ 69 %
Costo de las 6la g4dn.xlarge, con una T4: US$0.526 por hora × 730 horas al mes ≈ US$384
6 × 384
≈ US$2,304 al mes
Resultado
La mitad de esas GPUs, 3 × 384 ≈ US$1,152 al mes, existe solo para el día que cae una zona.

¿Y con tres zonas? Depende del tamaño. Con pocas réplicas, el redondeo manda: no existe media GPU, así que cada zona lleva al menos una. Con 500 fotos por segundo, tres zonas cuestan más (3 T4 contra 2). Con muchas, gana la regla: a 12,000 por segundo, tres zonas piden 24 T4 y dos zonas piden 30. Seis GPUs de diferencia son 6 × 384 ≈ US$2,300 al mes.

Para ir más hondoLa misma cuenta, en un programa

El programa hace la cuenta para dos y tres zonas, con tres tamaños de pico:

Python
from math import ceil

def n_mas_uno(pico, por_replica, zonas, tope=0.70):
    """Réplicas por zona para que, si cae una zona, las demás aguanten el pico sin pasar del tope."""
    por_zona = ceil(pico / ((zonas - 1) * por_replica * tope))
    total = por_zona * zonas
    minimo = ceil(pico / (por_replica * tope))        # sin pensar en zonas
    normal = pico / (total * por_replica)
    con_caida = pico / ((total - por_zona) * por_replica)
    return por_zona, total, minimo, normal, con_caida

print("pico   zonas  por zona  total  sin N+1  normal  si cae una")
for pico in (500, 2_500, 12_000):
    for zonas in (2, 3):
        z, t, m, u, c = n_mas_uno(pico, 1_200, zonas)
        print(f"{pico:>6,}{zonas:>6}{z:>9}{t:>8}{m:>8}{u:>9.0%}{c:>10.0%}")
Salida
pico   zonas  por zona  total  sin N+1  normal  si cae una
   500     2        1       2       1      21%       42%
   500     3        1       3       1      14%       21%
 2,500     2        3       6       3      35%       69%
 2,500     3        2       6       3      35%       52%
12,000     2       15      30      15      33%       67%
12,000     3        8      24      15      42%       62%

La columna «sin N+1» es lo que pediría el tráfico solo, y las dos últimas, el uso de cada GPU en el pico, con todas las zonas arriba («normal») y con una zona caída.

N+1 por zona: cuántas réplicas y cuánto cuestanCalculadora

La regla: si cae una zona, las que quedan aguantan el pico completo sin pasar del tope. Aplica las ecuaciones de la lección, Rz=⌈P÷((Z−1)×c×u)⌉ y R=Z×Rz, y mira cuántas réplicas pide cada zona y cuánto de la factura es solo repuesto.

Réplicas por zona, Rz⌈P÷((Z−1)×c×u)⌉: hacia arriba3
Réplicas en total, RZ×Rz6
Las que pediría solo el tráfico⌈P÷(c×u)⌉, sin pensar en zonas3
Uso en el pico, con todas las zonas arriba, ρnormalP÷(R×c)35 %
Uso si cae una zona, ρcaídaP÷((R−Rz)×c)69 %
Costo al mes, en US$R × costo de una réplica2,304
De eso, lo que es solo repuesto, en US$(R − las que pide el tráfico) × costo de una réplica1,152

Con dos zonas pagas el doble de lo que pide el tráfico; con tres, 1.5 veces; con cuatro, 1.33. Con pocas réplicas el redondeo puede invertirlo: prueba un pico de 500.

Arranca con la campaña sostenida de Alba (2,500 por segundo). Baja el pico P a 500 para ver el pico de diseño de Alba (una T4 por zona), o súbelo a 12,000 y cambia Z de 2 a 3 zonas para ver cómo baja el sobrecosto.

Por qué el repuesto tiene que estar encendido

Podrías pensar: «no pago el repuesto; cuando caiga una zona, prendo máquinas en la otra». No alcanza el tiempo. Esto pasa cuando una zona deja de contestar:

  1. 1

    De segundos a un minuto

    Los health checks del balanceador fallan varias veces seguidas, y el balanceador deja de mandar tráfico a esa zona. Con los valores por omisión del ALB (un check cada 30 segundos, 2 fallas) es ≈ 1 minuto; ajustados, ≈ 10 segundos. Todo el tráfico cae sobre la zona sana.

  2. 2

    ≈ 6 minutos

    Kubernetes tarda ≈ 50 segundos en marcar como perdido un nodo que no contesta, y luego espera, por omisión, 300 segundos más antes de dar por perdidos sus pods. Solo entonces intenta crearlos en otro lado.

  3. 3

    De 5 a 13 minutos más

    Si en la zona sana no hay una máquina libre, hay que pedirla. Un nodo con GPU tarda ≈ 5–13 minutos en servir su primera request (un rango típico): arranca la máquina, baja la imagen del contenedor, carga el modelo en la GPU y lo calienta (warmup: unas predicciones de prueba para que las primeras requests reales no salgan lentas). Es el arranque en frío. Eso vale para lo que sí se reubica, como los gateways. El Triton de la zona caída no se recrea en la sana: la regla de reparto de Alba (DoNotSchedule, lección «Kubernetes») lo deja Pending, en espera de lugar, y la T4 que queda carga todo hasta que la zona vuelva.

  4. 4

    O nunca

    En una falla de zona, todos los clientes de esa zona piden máquinas en las otras al mismo tiempo. Puede que no haya de tu tipo: es el error de capacidad, que ves en la lección de máquinas.

Sumado, son de 11 a 19 minutos sin capacidad suficiente (≈ 6 del paso 2 más 5 a 13 del paso 3): la zona sana recibe todo el tráfico con la mitad de las máquinas, y las requests que no caben fallan. Un SLO de 99.9 % deja estar caído 0.001 × 43,200 ≈ 43 minutos al mes de 30 días (su presupuesto de error): una sola falla de zona se comería entre 11 ÷ 43 ≈ un cuarto y 19 ÷ 43 ≈ casi la mitad. Por eso el repuesto no se «prende cuando haga falta»: ya está corriendo y atendiendo tráfico. El autoscaling (agregar o quitar máquinas según la carga) sirve para el crecimiento de la tarde, no para la zona que se cayó.

Ruteo por zona

Alba tiene un gateway (el programa que recibe la foto y la prepara) y un Triton (el servidor que corre el modelo) en cada zona. Cuando el gateway de la zona 1a llama a Triton, ¿a cuál le toca? Si no le dices nada, el Service de Kubernetes reparte entre todos: la mitad de las llamadas se queda en 1a y la otra mitad cruza a 1b.

Cruzar de zona tiene dos costos. Uno es tiempo: ≈ 1 ms más por salto. El otro es dinero: la nube cobra cada GB que cruza de una zona a otra, ≈ US$0.01 al salir de una zona y otro US$0.01 al entrar a la otra, o sea US$0.02 por GB. El gateway de Alba le manda a Triton la foto ya convertida en números, un tensor de 602 KB. Con ≈ 10 millones de fotos al día, eso suma 10,000,000 × 602 KB × 30 días ≈ 180 TB al mes. Si la mitad cruza, son 180 ÷ 2 ≈ 90 TB, o 90,000 GB × US$0.02 ≈ US$1,800 al mes, casi tanto como toda la infraestructura de Alba (≈ US$1.8k al mes). Esa factura se desarma en la lección de redes en la nube (transferencia entre zonas); aquí importa el remedio.

El remedio es el ruteo por zona (zone-aware routing): cada llamada prefiere una réplica de su propia zona, y solo cruza si en la suya no hay ninguna lista. En Kubernetes es una línea en el Service: trafficDistribution: PreferSameZone.

Lo valioso es el «solo si»: si el Triton de 1b se cuelga, el gateway de 1b no devuelve error. Manda sus llamadas al Triton de 1a, paga el cruce un rato y sigue atendiendo. Degrada, no se cae.

04

El SLA y la cuenta de disponibilidad

Esencial

The SLA and the availability math

Qué es un SLA

En la lección de percentiles viste el SLI (lo que mides) y el SLO (la meta que te pones). Falta la tercera sigla.

Un SLA (service level agreement, acuerdo de nivel de servicio) es un contrato: lo que un proveedor le promete a su cliente, y lo que le debe si no cumple. Los servicios de la nube publican el suyo. Todos tienen las mismas cuatro partes:

  • Qué se mide. Normalmente, el porcentaje del mes en que el servicio estuvo disponible, según la definición del propio contrato.
  • El umbral. Por ejemplo, 99.99 % para los balanceadores de AWS o 99.95 % para el Kubernetes gestionado (EKS).
  • Las exclusiones. Lo que no cuenta: mantenimientos anunciados, fallas por tu configuración, cosas fuera de su control.
  • La compensación. Casi siempre, créditos: un descuento en la factura de ese servicio, que además tienes que reclamar tú.

El SLA no es tu disponibilidad

Hay tres razones, y las tres salen en entrevistas.

Uno: promete créditos, no minutos. El SLA no impide que el servicio se caiga. Dice cuánto te descuentan después.

El balanceador de Alba se cae 2 horas en un mesLa cuenta
Minutos del mes, M30 días
30 × 24 × 60
43,200
Minutos caído, tcaído2 horas
2 × 60
120
Disponibilidad del balanceador ese mes, A
1−tcaído÷M = 1 − 120 ÷ 43,200
≈ 99.72 %
¿Cumplió su SLA de 99.99 %?
99.72 < 99.99
No
Créditoentre 99.0 % y 99.99 %, el SLA del balanceador devuelve 10 % de lo pagado por él: Alba paga ≈ US$500 al mes
0.10 × 500
US$50
Presupuesto de error de Alba, Esu SLO de 99.9 % en 30 días
(1−0.999)×M = 0.001 × 43,200
43.2 min
Lo que se gastó
tcaído÷E = 120 ÷ 43.2
≈ 2.8 presupuestos
Resultado
El proveedor te devuelve US$50. Tú gastaste en una tarde el presupuesto de error de casi tres meses.

Dos: cubre su pieza, no tu cadena. El SLA de 99.95 % de EKS cubre el endpoint de la API de Kubernetes, la «oficina» que recibe órdenes. No cubre tus pods, ni tus máquinas, ni tu modelo. Si tu Triton se cuelga, EKS cumplió su SLA perfectamente. Y tu sistema es una cadena de piezas en serie, que multiplica las disponibilidades, A=p1×p2×p3: el conjunto siempre queda por debajo de su peor pieza. Tres piezas de 99.9 % en serie dan 0.999 × 0.999 × 0.999 ≈ 99.7 %.

Tres: suele pedir que tú hagas tu parte. Muchos SLA solo aplican si repartiste en dos o más zonas. Con todo en una zona, el contrato del proveedor te cubre mucho menos, o nada: el 99.99 % del balanceador de AWS es para uno repartido en dos o más zonas; en una sola, promete 99.9 %.

La cuenta, con zonas

La disponibilidad real se calcula, pieza por pieza, con las reglas de la lección de probabilidad. Estos son los números que usa Alba: el balanceador, 99.99 %; el gateway, 99.95 % en cada zona; y Triton, la pieza más frágil, 99.5 % en cada zona. Los porcentajes de cada pieza son supuestos para diseñar; en tu sistema se miden.

Con Triton en dos zonas independientes, el servicio solo se cae si fallan las dos a la vez: 0.005 × 0.005 = 0.005². Una causa común tumba las dos zonas al mismo tiempo, como una versión rota que llega a ambas. Mientras dura, la segunda zona no ayuda, así que entra como otra pieza en serie: activa el 0.1 % del tiempo, multiplica por 0.999.

Disponibilidad con zonas
A2z=1−(1−p)2
A≈A2z×(1−h)
minutos caídos=(1−A)×M
donde
p
la disponibilidad de una pieza en una zona, como fracción (Triton: 0.995)
A2z
la de esa pieza en dos zonas independientes: solo se cae si fallan las dos a la vez
h
la fracción del tiempo en que una causa común tumba las dos zonas juntas (0.001 = 0.1 %)
A
la disponibilidad que queda
M
los minutos del mes: 43,200 en 30 días
Cómo está TritonCuentaDisponibilidad ACaído al mes, (1−A)×M
En una sola zonap = 0.99599.5 %0.005 × 43,200 ≈ 216 min
En dos zonas independientes1−(1−p)2 = 1 − 0.005²99.9975 %0.000025 × 43,200 ≈ 1 min
Dos zonas, con una causa común el 0.1 % del tiempoA2z×(1−h) = 0.999975 × 0.999≈ 99.90 %0.001025 × 43,200 ≈ 44 min

Y para la cadena completa, en dos zonas, se multiplican las tres piezas en serie: el balanceador (0.9999), el gateway en dos zonas (1 − 0.0005²) y Triton en dos zonas (1 − 0.005²). Da ≈ 99.99 %, unos 5 minutos al mes, si las fallas son independientes; multiplicado por 0.999, ≈ 99.89 %, unos 49 minutos, con esa causa común.

Lee la tabla como un mapa de qué compra cada cosa:

  • La segunda zona compra 216 − 1 = 215 minutos al mes. Es la mejor compra de toda la lección.
  • Una tercera zona compraría segundos. Ya no es por disponibilidad: es por costo, como viste en el N+1.
  • Los 0.001 × 43,200 ≈ 43 minutos de la causa común, casi siempre un deploy malo que llega a las dos zonas, no los toca ninguna zona. Es la falla correlacionada, y se ataca cambiando de versión poco a poco: primero en una parte chica del tráfico o en una sola zona, y en el resto solo si ahí salió bien.

¿Y una segunda región? Compra los minutos de las caídas de región, que son muy pocos al año, a un precio muy alto. Eso sigue.

05

Multi-región y failover

Esencial

Multi-region and failover

Lo que dos zonas no cubren

Multi-AZ te protege del edificio que se apaga. Hay cuatro cosas de las que no:

  • Se cae la región entera, o un servicio regional del que todo depende. Pasa poco, pero pasa, y dura horas.
  • Alguien borra los datos. Un script con un error borra un bucket. S3 obedece en las tres zonas a la vez: la redundancia de zonas replica también los errores.
  • Roban la cuenta. Si un atacante entra con permisos de administrador, puede apagar todo en todas las zonas.
  • La ley o los usuarios lo piden. Usuarios en dos continentes, o datos que por contrato deben estar en dos países.

Para eso existe multi-región: tener el sistema, o al menos sus datos, en dos o más regiones.

Por qué es caro

Entre zonas hay 1 ms y la misma red. Entre regiones hay decenas de milisegundos y casi nada se comparte. Una segunda región te cobra cuatro cosas:

  • Cuota y capacidad, otra vez. Tu cuota es por región: en la segunda empiezas con la que tengas ahí, que puede ser cero para GPUs. Y que el tipo de GPU exista allá no está garantizado.
  • Datos replicados. Cada GB que copias a la otra región paga transferencia, ≈ US$0.02 por GB desde us-east-1, y luego paga almacenamiento allá.
  • Artefactos que coincidan. Los artefactos son los archivos que tu sistema necesita para correr: la imagen del contenedor y los pesos del modelo. Tienen que estar en las dos regiones. Y hay sorpresas: un engine de TensorRT (el modelo ya optimizado para una GPU concreta) solo sirve en el mismo modelo de GPU. Si en la otra región consigues una GPU distinta, hay que volver a generarlo.
  • Operación doble. Dos despliegues, dos juegos de alertas, dos redes, dos lugares donde algo puede quedar desactualizado.

Failover: mover el tráfico

Failover (conmutación por falla) es pasar el tráfico de la copia que falló a la que sigue viva. Entre zonas lo hace el balanceador solo, en segundos o en un minuto según sus health checks, y no te enteras. Entre regiones hay que decidir cómo se mueve el tráfico. Hay tres maneras: por DNS, que cambia a dónde apunta el nombre y tarda de uno a pocos minutos; por una dirección IP que la red lleva sola a la región sana, en segundos; o a mano, cuando lo ordena la persona de guardia (la del equipo a la que le toca atender las emergencias esa semana).

Para ir más hondoLas tres maneras, con sus tiempos
  • Por DNS. El nombre api.tienda.com apunta a la región A. Un health check la vigila; si falla, el DNS empieza a contestar con la dirección de la región B. El detalle es el TTL: cada cliente guarda la respuesta vieja durante ese tiempo. Con un health check cada 30 segundos, 3 fallas seguidas para declarar la caída y un TTL de 60 segundos, pasan hasta 90 + 60 = 150 segundos antes de que el último cliente cambie.
  • Por IP anycast. La misma dirección IP se anuncia desde varias regiones, y la red lleva cada paquete a la más cercana que esté sana. No depende del TTL: cambia en segundos. Se paga como un servicio aparte.
  • A mano, con un botón. Una persona de guardia revisa y decide. Suena anticuado, pero la guía de AWS sobre el tema pide cautela con el failover automático entre regiones: un health check que se equivoca puede mandar todo el tráfico a una región que no estaba lista, y convertir un problema chico en uno grande.

Si la segunda región solo espera, el esquema es activo/pasivo. Si las dos atienden tráfico todo el tiempo, es activo/activo: no hay nada que «prender», pero los datos tienen que escribirse en dos lugares a decenas de milisegundos de distancia, y eso complica todo lo que guarda estado (datos que cambian y que hay que recordar, como una base de datos): si las dos regiones aceptan cambios, hay que decidir qué pasa cuando se contradicen.

Alba no lo necesita

La respuesta de Alba es quedarse en una región, y decirlo es señal de experiencia, no de flojera. El razonamiento:

  • El SLO es 99.9 %, y dos zonas lo cumplen.
  • Hay un fallback que no depende de nada de la región: si el modelo no contesta, la vendedora elige la categoría a mano. Nadie deja de publicar.
  • Lo que se protege es una sugerencia, no un pago.

Si la región se cae un día entero, ese mes Alba no cumple su SLO, y el negocio lo aceptó de antemano. IaC (infrastructure as code, infraestructura como código) son archivos que describen todas las máquinas y redes, de modo que se pueden volver a crear en otra región con un comando. En una entrevista de diseño, la frase que lo resume: «the seller picks the category manually; we would redeploy from IaC if the outage were long» («la vendedora elige la categoría a mano; si la caída fuera larga, volveríamos a crear todo desde IaC»).

Cambiaría la respuesta si no hubiera fallback, si se pidiera 99.99 %, o si los usuarios estuvieran en varios continentes.

06

Recuperación ante desastres: RPO y RTO

Esencial

Disaster recovery: RPO and RTO

La recuperación ante desastres (disaster recovery, DR) es el plan para el día en que se pierde algo grande: una región, una cuenta, una base de datos borrada. La pregunta útil no es «¿somos multi-región?». Son dos preguntas:

  • ¿Cuánto puedes perder? Eso es el RPO (recovery point objective, objetivo de punto de recuperación): cuántos datos, medidos en tiempo, aceptas perder. Un RPO de 1 hora dice: «al volver, puede faltar hasta la última hora de datos».
  • ¿Cuánto puedes tardar? Eso es el RTO (recovery time objective, objetivo de tiempo de recuperación): cuánto tiempo aceptas estar caído hasta volver a atender.
La línea del tiempo de un desastre, con tres momentos. A las 02:00 se hizo la última copia de los datos. A las 14:00 ocurre el desastre. A las 15:30 el servicio vuelve a atender. Entre la última copia y el desastre pasaron 12 horas: lo que se escribió en ese tiempo se pierde. El RPO es lo más que aceptas perder; se baja copiando más seguido. Entre el desastre y la vuelta pasó hora y media de servicio caído. El RTO es lo más que aceptas tardar; se baja teniendo más cosas ya encendidas. LA LÍNEA DEL TIEMPO DE UN DESASTRE se pierden 12 h caído 1.5 h última copia 02:00 desastre 14:00 de vuelta 15:30 RPO · ¿cuánto aceptas perder? Lo escrito desde la última copia se pierde. Se baja copiando más seguido. RTO · ¿cuánto aceptas tardar? El tiempo caído hasta volver a atender. Se baja teniendo más cosas ya encendidas.
El RPO mira hacia atrás desde el desastre: lo que se había escrito desde la última copia se pierde. El RTO mira hacia adelante: el tiempo hasta volver a atender. Este desastre perdió 12 horas, pero con una copia cada noche el peor caso es casi 24: ese peor caso es el RPO que puedes prometer.

Por artefacto, no por sistema

Un sistema no tiene «un» RPO. Cada cosa que guarda tiene el suyo, porque no todo vale lo mismo ni cuesta lo mismo rehacerlo.

La tabla usa a Alba y dos ejemplos más: un modelo de imágenes médicas que revisa biopsias junto con médicos patólogos, y un servicio que verifica documentos de identidad.

QuéSi se pierde…RPO razonable
Alba · pesos del modelo y su engineSe vuelven a generar desde el entrenamiento, en horasHoras
Alba · log de predicciones (cada foto con la categoría que se sugirió)Se pierde un pedazo del historial para reentrenarHoras
Alba · el código y la configuraciónEstán en git, fuera de la región≈ 0, sin hacer nada
Biopsias · resultados del modeloSe recalculan corriendo el modelo otra vezHoras (RTO ≈ 1 día)
Biopsias · anotaciones de patólogos (lo que marcan a mano en cada imagen)Trabajo experto que nadie va a repetir: ≈ US$4,000 al mes (supuesto del ejemplo)≈ 0
Identidad · documentos ya aceptadosHabría que pedírselos otra vez a cada cliente≈ 0

La regla que deja la tabla: lo que se puede recalcular aguanta un RPO flojo; lo que escribió una persona, no.

El RPO lo fija cada cuánto copias. Si el desastre llega justo antes de la siguiente copia, pierdes el intervalo entero: ese es el peor caso. En promedio pierdes la mitad. El RPO se promete con el peor caso.

Datos en riesgo entre copias
peor caso=r×I
promedio=r×I2
donde
I
el intervalo entre una copia y la siguiente, en horas
r
cuánto se escribe por hora: registros, documentos o GB
Para ir más hondoSimular el desastre

El programa simula un desastre en un minuto al azar, con un sistema que recibe 600 registros por hora y distintas frecuencias de copia:

Python
import random
random.seed(8)

def perdida(cada_min, por_hora, ensayos=100_000):
    """Desastre en un minuto al azar: ¿cuántos registros había desde la última copia?"""
    perdidos = [random.uniform(0, cada_min) / 60 * por_hora for _ in range(ensayos)]
    return sum(perdidos) / ensayos, max(perdidos)

print("copia cada      promedio perdido   peor caso (RPO)")
for nombre, minutos in (("24 horas", 1440), ("1 hora", 60), ("15 minutos", 15), ("1 minuto", 1)):
    medio, peor = perdida(minutos, 600)
    print(f"{nombre:<14}{medio:>12,.0f} reg.{peor:>14,.0f} reg.")
Salida
copia cada      promedio perdido   peor caso (RPO)
24 horas             7,173 reg.        14,400 reg.
1 hora                 299 reg.           600 reg.
15 minutos              75 reg.           150 reg.
1 minuto                 5 reg.            10 reg.

El peor caso es el intervalo entero y el promedio, la mitad.

Las cuatro estrategias

La guía de AWS sobre recuperación ordena los planes en cuatro estrategias de DR, de la más barata y lenta a la más cara y rápida. La columna de costo es la cuenta del equipo de Alba para su sistema, cuya infraestructura cuesta ≈ US$1.8k al mes.

EstrategiaQué hay en la segunda regiónRTO típicoCosto para Alba
Copia y restauración (backup and restore)Solo copias de los datos y los artefactosHorasDecenas de US$ al mes
Llama piloto (pilot light)Los datos replicados y lo mínimo creado, pero apagadoDecenas de minutos≈ US$200 al mes
Espera tibia (warm standby)Una versión chica del sistema, encendidaMinutos≈ US$600 al mes
Activo/activo (multi-site active/active)Todo, atendiendo tráficoCasi cero≈ +US$1.8k al mes

El nombre pilot light viene del calentador de gas: la llama piloto es la flamita que se queda prendida para encender el quemador en cuanto hace falta. En la nube, lo que se queda «prendido» son los datos replicados y lo mínimo creado; las máquinas que atienden están apagadas, y encenderlas tarda minutos, no un instante como el quemador.

La diferencia entre las dos del medio es la que más se pregunta: con pilot light, la segunda región no puede atender sin que antes prendas las máquinas. Con warm standby ya atiende, a capacidad reducida, y solo hay que agrandarla.

Para Alba, un warm standby cuesta ≈ US$600 al mes: 600 ÷ 1,829 ≈ 33 % más de factura, todos los meses, para proteger una sugerencia que tiene un plan B gratis.

Para ir más hondoDe dónde salen los US$600 del warm standby
Un warm standby para AlbaLa cuenta
Una T4 encendidaUS$0.526 por hora × 730 horas al mes
0.526 × 730
≈ US$384
Un gatewayla mitad de los ≈ US$248 que Alba paga por sus dos gateways
248 ÷ 2
≈ US$124
El plano de control de KubernetesUS$0.10 por hora
0.10 × 730
≈ US$73
Un balanceador casi sin tráficosolo su cargo fijo por hora: ≈ US$0.0225 × 730
0.0225 × 730
≈ US$16
Total al meslas cuatro filas de arriba
384 + 124 + 73 + 16
≈ US$600
Contra la infraestructura de Alba≈ US$1,829 al mes
600 ÷ 1,829
≈ 33 %
Resultado
Un tercio más de factura, todos los meses, para proteger una sugerencia que tiene un plan B gratis.

Por eso el plan de Alba es el primero de la tabla, y casi gratis: los pesos y las imágenes de contenedor copiados a otra región, el código en git y la infraestructura descrita en archivos. Si la región muere por mucho tiempo, se reconstruye en horas. Mientras tanto, Ana elige la categoría a mano.

07

Replicación entre regiones y ensayos

Extra

Cross-region replication and game days

Replicar: copiar sin que nadie lo pida

Cualquier estrategia de DR empieza por lo mismo: que los datos ya estén en la otra región. La replicación entre regiones (cross-region replication) es una regla que le dice a un servicio: «cada cosa nueva que llegue aquí, cópiala allá».

  • En S3, la regla copia cada objeto nuevo a un bucket de otra región. Es asíncrona: tu PUT (la request que sube el objeto) termina primero y la copia viaja después. La mayoría de los objetos llega en menos de 15 minutos, pero sin garantía: uno grande puede tardar horas. Con la opción Replication Time Control (RTC), la mayoría llega en segundos; AWS la diseña para replicar el 99.99 % de los objetos nuevos en menos de 15 minutos, y en su SLA se compromete al 99.9 %.
  • En el registro de imágenes (ECR, donde viven las imágenes de contenedor), otra regla copia cada imagen nueva. Sin ella, el día del desastre la otra región no tiene qué correr.
  • En una base de datos, una réplica en otra región recibe los cambios con segundos de atraso. Es la réplica de lectura que ya conoces, más lejos.

Que sea asíncrona define tu RPO. Lo que estaba «en camino» cuando cayó la región se pierde.

Dos regiones: la primaria y un warm standby · Una región primaria y una de respaldo en warm standby. Usa «Recorrer» para ver un día normal, el día del desastre y qué cambia con pilot light.
  • Quien llama · api.tienda.com
    Usa un nombre, no una dirección fija. Eso es lo que permite mandarlo a otra región sin que cambie nada de su lado.
  • DNS · con health checks
    Contesta con la dirección de la región sana. Vive fuera de las dos regiones: si viviera en la primaria, caería con ella. Cada cliente guarda la respuesta durante el TTL, así que el cambio no es instantáneo.
  • Guardia · decide el failover
    Entre regiones, muchas empresas dejan la decisión a una persona: un health check que se equivoca puede mandar todo a una región que no estaba lista.
  • Servicio · completo · 2 zonas
    El sistema de todos los días: dos zonas, dos T4, dos gateways. Atiende todo el tráfico.
  • S3 · pesos y datos
    Los datos de la primaria. Una regla de replicación copia cada objeto nuevo a la otra región.
  • ECR · imágenes de contenedor
    El registro donde viven las imágenes de contenedor. También se replica: sin imagen, la otra región no tiene qué correr.
  • Warm standby · 1 T4 · 1 gateway
    Una versión chica del sistema, encendida. Puede atender ya, a capacidad reducida. Para Alba cuesta ≈ US$600 al mes, 33 % más que su infraestructura de ≈ US$1.8k. Con pilot light, esta caja estaría apagada.
  • S3 · la copia
    La copia llega después del original: la mayoría en menos de 15 minutos, sin garantía; con RTC, el 99.99 % en menos de 15 minutos. Lo que iba en camino cuando cayó la primaria es lo que se pierde: tu RPO.
  • ECR · la copia
    Las mismas imágenes, ya en la región de respaldo, listas para arrancar más réplicas.

Toma el servicio que verifica documentos de identidad, el de la tabla de RPO. Replica con RTC. ¿Cuántos documentos puede perder? Es la fórmula de los datos en riesgo, con I = 15 minutos:

Documentos de identidad: cuántos quedan en riesgo con RTCLa cuenta
Documentos por horasupuesto del ejemplo: 5,000 al día, en 14 horas hábiles
5,000 ÷ 14
≈ 357 por hora
En la hora pico, rel doble
2 × 357
≈ 714 por hora
Intervalo Ila ventana que promete RTC: 15 minutos
15 ÷ 60
0.25 horas
Peor casolo escrito en esa ventana
r×I = 714 × 0.25
≈ 180 documentos
Resultado
En el peor caso, a ≈ 180 clientes habría que pedirles su identificación otra vez. El negocio decide si lo acepta o si escribe en las dos regiones antes de responder.

Replicar cuesta, y la cuenta dice qué vale la pena. Los pesos de Alba son ≈ 98 MB por versión: replicarlos cuesta centavos. Sus fotos son 2 TB al día: 2 × 30.4 días ≈ 61 TB al mes, y 61,000 GB × US$0.02 por GB ≈ US$1,200 al mes solo de transferencia, más guardarlas dos veces. Alba replica los pesos, no las fotos.

El ensayo: game day

Un plan de DR escrito y nunca probado tiene un problema: nadie sabe si funciona. Por eso se dice sin vueltas: un DR que no se ensayó no existe.

Un game day es un ensayo programado: se provoca la falla a propósito, en un día y hora acordados, con el equipo mirando. Se apaga una zona, o se corta el acceso a la región primaria, y se ejecuta el plan de verdad.

  1. 1

    Se escribe qué se espera

    «Al apagar la zona 1b, los errores suben durante menos de un minuto y la T4 de 1a llega a ≈ 42 %.» Ese 42 % sale de 500 ÷ 1,200: el pico de diseño de Alba sobre lo que aguanta una T4.

  2. 2

    Se provoca la falla

    En un horario de poco tráfico, con un límite de tiempo y una forma de deshacerla.

  3. 3

    Se mide

    Cuánto tardó en notarse, cuánto en recuperarse, qué se perdió. Ese es tu RTO real, no el del documento.

  4. 4

    Se arregla lo que salió

    Siempre sale algo: una cuota en cero en la otra región, un permiso que faltaba, un dato que solo existía en la zona apagada, un paso que solo sabía hacer una persona.

El ensayo también descubre las causas comunes escondidas: lo que las dos zonas compartían sin que nadie lo supiera. Y deja un RTO medido: si el ensayo tardó 40 minutos, tu RTO es 40 minutos, diga lo que diga el plan.

08

Cómo elegir región

Extra

How to choose a region

Para elegir región hay cuatro preguntas, en este orden. El orden importa: una pregunta de arriba puede dejarte sin opciones antes de llegar a las de abajo.

1. ¿Dónde tienen que estar los datos?

La residencia de datos (data residency) es la obligación, por ley o por contrato, de guardar o procesar ciertos datos solo dentro de un país o de una región. Un hospital puede tener prohibido sacar expedientes del país. Un banco puede haber firmado con su regulador en qué región opera.

Esto no lo decide ingeniería: lo decide el área legal. Y va primero porque no se negocia con milisegundos. En un servicio que verifica documentos de identidad, el diseño empieza con «cuenta y región aprobadas por legal».

Ojo con lo que cuenta como «dato que sale»: no solo la base de datos. También las copias de respaldo, los logs que traen datos de personas y el prompt que le mandas a un modelo de lenguaje (LLM) alojado en otra región.

2. ¿Están ahí las máquinas y los servicios que necesitas?

El catálogo cambia por región. Las GPUs nuevas llegan primero a unas pocas, y los servicios de ML, también. Un ejemplo: en octubre de 2026, la tabla oficial de GPUs por zona de Google Cloud no listaba su región de Querétaro. Una región cercana y legalmente perfecta puede no tener con qué correr tu modelo.

Lo mismo pasa con los modelos de lenguaje que se rentan por API: cada modelo está disponible en ciertas regiones, y hay que revisarlo antes de prometer que «el prompt no sale del país».

Para ir más hondoTres razones por las que falta una GPU

Cuando pides una GPU y la nube dice que no, hay tres causas distintas, con remedios distintos. La lección de máquinas las desarrolla:

  • Cuota: tu cuenta no tiene permiso para tantas en esa región. Es un trámite: se pide el aumento, y tarda. Alba necesita cuota para 28 vCPU de máquinas con GPU, contando pruebas y repuestos.
  • Capacidad: tienes permiso, pero en esa zona, en este momento, no quedan. Remedio: aceptar más zonas y más tipos de máquina, o reservar (reserva de capacidad).
  • Catálogo: esa región no ofrece esa GPU. No hay trámite que lo arregle.

3. ¿Qué tan lejos queda de quien te llama?

Con las regiones que pasaron los dos filtros, haz la cuenta de distancia de la primera sección. Recuerda que cuenta quién llama a tu servicio y dónde están los datos que lee. Para un agente de voz (un programa que platica contigo por teléfono), donde cada 100 ms se sienten en la conversación, esta pregunta pesa mucho. Para un trabajo por lotes (batch job) que procesa muchos datos de noche, sin nadie esperando la respuesta, casi nada.

4. ¿Cuánto cuesta ahí?

Al final, el precio. La misma máquina puede costar bastante más en una región que en otra: las de Estados Unidos suelen ser las más baratas de cada proveedor. Y suma la red: si tus datos están en una región y tu cómputo en otra, cada GB que viaja se cobra.

09

Errores comunes

Esencial

Common mistakes

«Tenemos dos réplicas, tenemos alta disponibilidad»

Qué pasa: las dos réplicas quedaron en la misma zona, o en la misma máquina, porque nadie dijo dónde ponerlas. Cae la zona y caen las dos.

Cómo evitarlo: pide el reparto por zona de forma explícita y revísalo: ¿en qué zona está cada réplica hoy? Dos réplicas en el mismo dominio de falla no son un N+1.

Confundir el SLA del proveedor con tu disponibilidad

Qué pasa: «AWS promete 99.99 %, así que nosotros tenemos 99.99 %». El SLA es de una pieza, promete créditos y no cuenta tu código, tu configuración ni tus deploys.

Cómo evitarlo: calcula tu cadena completa, con tus piezas y una causa común estimada. Y mide tu propio SLI.

Contar con máquinas que todavía no existen

Qué pasa: «el autoscaling llega hasta 20 réplicas, aguantamos cualquier cosa». El máximo del autoscaling es un techo, no capacidad: el día que cae una zona, las máquinas nuevas tardan minutos o no hay.

Cómo evitarlo: el N+1 por zona ya tiene que estar encendido. Y revisa que tu cuota alcance para el peor día.

Multi-región «por si acaso»

Qué pasa: se pide una segunda región sin haber dicho un RPO ni un RTO. Se paga un tercio más de factura, nunca se ensaya, y el día del desastre la otra región tiene cuota cero de GPUs o un engine que no corre.

Cómo evitarlo: primero las dos preguntas (cuánto puedes perder, cuánto puedes tardar), por artefacto. Luego la estrategia más barata que las cumpla. Luego el ensayo.

Creer que replicar es respaldar

Qué pasa: hay copia en otra región, alguien borra o corrompe el original, y la copia queda igual de borrada.

Cómo evitarlo: además de replicar, guarda versiones o snapshots por un tiempo. Y prueba restaurar uno.

Dejar que las llamadas crucen de zona

Qué pasa: el sistema está bien repartido en dos zonas, pero cada llamada interna cae en cualquier zona. La mitad del tráfico cruza, y a fin de mes aparece una línea de red más grande que la de las GPUs.

Cómo evitarlo: ruteo por zona desde el primer día, con las capas repartidas parejo.

10

En la vida real

Extra

In real life

Alba · Clasificación de fotos. Una región (us-east-1), dos zonas, una T4 por zona, ruteo por zona desde el día 1 y un fallback manual. Sin segunda región: el warm standby costaría ≈ US$600 al mes, 33 % más, para proteger una sugerencia. Su DR es copiar los pesos y reconstruir desde archivos.

Servir un LLM propio. Un servicio que corre su propio modelo grande de lenguaje usa tres zonas de us-east-1. Con GPUs grandes, que escasean, más zonas son también más lugares donde puede aparecer una libre. Y tener cuota no garantiza conseguir esas GPUs el día que las pides.

Imágenes médicas · Patología digital. El mismo sistema, dos RPO. Los resultados del modelo se recalculan: RPO de horas y RTO de un día. Las anotaciones de los patólogos son trabajo experto: RPO ≈ 0, replicadas en cuanto se escriben.

Documentos · Verificación de identidad. La región la eligió el área legal antes que ingeniería. Los documentos aceptados no se pueden perder: con replicación de 15 minutos quedan ≈ 180 en riesgo en el peor caso, y ese número se lleva a la mesa.

Video en tiempo real · Cámaras en centros de distribución. Un sistema que analiza el video de varias cámaras en tiempo real. Aquí el «dominio de falla» no es una zona de la nube: es cada uno de los 25 centros (supuesto del ejemplo), con su cámara, su caja de cómputo y su enlace a internet. La meta es 99.5 % de alertas por sitio, y el diseño supone que el enlace a la nube se cae: cada sitio tiene que seguir alertando solo.

Fuera de ML. En marzo de 2021 se incendió un centro de datos de OVHcloud en Estrasburgo, Francia. Un edificio quedó destruido. Quienes tenían sus servidores y sus respaldos en ese mismo sitio perdieron los dos: tenían copias, pero en el mismo dominio de falla.

Y en la vida diaria: un hospital tiene planta de luz propia porque no puede depender de un solo cable de la calle. Guardas una copia de tus fotos fuera de casa, no en otro cajón, porque un robo o un incendio se lleva los dos cajones. Es la misma pregunta de toda la lección: ¿qué comparten mis copias?

11

Ejercicios

Esencial

Exercises

Resuélvelos con lápiz antes de abrir la solución. Los de distancia y los de N+1 se pueden comprobar con las calculadoras. Usa un mes de 30 días (43,200 minutos) y 200 km por milisegundo.

  1. 1Fácil

    En us-east-1b y en us-central1-a, ¿cuál es la región y cuál la zona? De estas cuatro cosas, ¿cuáles viven en una sola zona y cuáles en la región: una máquina virtual, un disco de red, un bucket de S3 Standard, una subred?

    Ver la solución paso a paso
    • us-east-1b: región us-east-1 (AWS, norte de Virginia), zona «b». us-central1-a: región us-central1 (Google Cloud, Iowa), zona «a».
    • En una zona: la máquina virtual, el disco de red y la subred.
    • En la región: el bucket, que guarda copias en al menos tres zonas.
    • Por eso las máquinas las repartes tú, y el bucket ya viene repartido.
  2. 2Fácil

    Tus usuarios están en Bogotá y la región queda a 4,000 km. ¿Cuál es el RTT mínimo físico? ¿Y un RTT realista? Si cada usuario abre una conexión nueva (≈ 3 idas y vueltas antes de mandar nada), ¿cuánto espera antes de que salga su request?

    Ver la solución paso a paso
    • Con RTTmin=2×d÷v, d = 4,000 km y v = 200 km por ms: ida 4,000 ÷ 200 = 20 ms; RTT mínimo 2 × 20 = 40 ms.
    • Realista, RTT≈f×RTTmin con f ≈ 2: 2 × 40 = ≈ 80 ms.
    • Conexión nueva, tred=k×RTT con k = 3: 3 × 80 = ≈ 240 ms antes de empezar. Reusar la conexión lo baja a una sola vuelta.
  3. 3Fácil

    Una zona estuvo caída 3 horas en todo un año, y tu servicio vivía solo en ella. ¿Qué disponibilidad tuvo en el año? ¿Y en el mes de la caída? ¿Cuántos presupuestos de error de un SLO de 99.9 % mensual se gastó?

    Ver la solución paso a paso
    • La ecuación: A=1−tcaído÷tiempo de la ventana, los dos en la misma unidad.
    • Un año tiene 365 × 24 = 8,760 horas. Año: 1 − 3 ÷ 8,760 ≈ 99.966 %. Suena bien.
    • Mes de la caída, con tcaído = 3 × 60 = 180 minutos y M = 43,200: 1 − 180 ÷ 43,200 ≈ 99.58 %. No cumple 99.9 %.
    • Presupuesto, E=0.001×M = 43.2 minutos: 180 ÷ 43.2 ≈ 4.2 presupuestos en una tarde.
    • La misma caída se ve muy distinta según la ventana. Di siempre en cuánto tiempo se mide.
  4. 4Fácil

    Un sistema copia su base de datos cada noche a las 02:00. Un martes a las 17:00 se pierde la base. Restaurar la copia tarda 3 horas. ¿Cuántas horas de datos se perdieron? ¿Qué RPO puede prometer este esquema? ¿Y qué RTO, como mínimo?

    Ver la solución paso a paso
    • Se perdió lo escrito entre las 02:00 y las 17:00: 17 − 2 = 15 horas de datos.
    • El RPO se promete con el peor caso, que es el intervalo I entero: con I = 24 horas, un desastre a la 01:59 pierde casi 24 horas.
    • RTO: al menos 3 horas, más lo que se tarde en notar la falla y decidir restaurar.
  5. 5Medio

    Un servicio tiene un pico de 3,000 requests por segundo. Cada réplica aguanta 400 al máximo, y no quieres pasar de 70 % ni con una zona caída. ¿Cuántas réplicas necesitas con 2 zonas? ¿Y con 3? Si cada réplica cuesta US$124 al mes, ¿cuánto ahorra la tercera zona?

    Ver la solución paso a paso
    • La ecuación: Rz=⌈P÷((Z−1)×c×u)⌉ y R=Z×Rz, con P = 3,000, c = 400 y u = 0.70.
    • Cada réplica, al tope: c×u = 0.70 × 400 = 280 por segundo.
    • Dos zonas (Z−1 = 1): una sola tiene que aguantar todo. 3,000 ÷ (1 × 280) = 10.7 → 11 por zona; R = 2 × 11 = 22 en total.
    • Tres zonas (Z−1 = 2): las dos que quedan aguantan todo. 3,000 ÷ (2 × 280) = 5.4 → 6 por zona; R = 3 × 6 = 18 en total.
    • Ahorro: (22 − 18) × 124 = US$496 al mes. Sin pensar en zonas bastarían 3,000 ÷ 280 = 10.7 → 11.
  6. 6Medio

    Un failover por DNS: el health check corre cada 10 segundos y declara la caída a las 3 fallas; el TTL es de 60 segundos. La región de respaldo es un warm standby que tarda 4 minutos en crecer hasta aguantar todo el tráfico. ¿Cuánto pasa hasta que el último cliente llega a la región nueva? ¿Cuál es el RTO aproximado? Si esto pasa una vez en un mes, ¿qué disponibilidad queda?

    Ver la solución paso a paso
    • La ecuación: tcambio=fallas×intervalo del check+TTL, lo que tarda el último cliente en cambiar de región.
    • Detección: 3 × 10 = 30 s. Más el TTL: 30 + 60 = 90 segundos para el último cliente.
    • Hasta atender todo el tráfico: 90 s + 4 × 60 s = 90 + 240 = 330 s, y 330 ÷ 60 ≈ 5.5 minutos de RTO.
    • Disponibilidad del mes, A=1−tcaído÷M: 1 − 5.5 ÷ 43,200 ≈ 99.987 %. Cumple 99.9 %, no 99.99 %.
    • Un SLO de 99.99 % deja E = 0.0001 × 43,200 ≈ 4.3 minutos al mes. Para cumplirlo habría que tener la segunda región ya a tamaño completo: activo/activo.
  7. 7Medio

    Un sistema escribe 500 GB nuevos al día y los replica a otra región, donde los guarda 30 días. La transferencia cuesta US$0.02 por GB y guardar, US$0.023 por GB al mes. ¿Cuánto cuesta al mes? Si la replicación garantiza 15 minutos, ¿cuántos GB quedan en riesgo, suponiendo que se escribe parejo todo el día?

    Ver la solución paso a paso
    • La ecuación del costo: GB al mes × precio por GB, para la transferencia y para el guardado.
    • Al mes: 500 × 30 = 15,000 GB.
    • Transferencia: 15,000 × 0.02 = US$300.
    • Guardado en la segunda región (30 días, así que siempre hay ≈ 15,000 GB guardados): 15,000 × 0.023 = US$345.
    • Total: 300 + 345 = US$645 al mes.
    • En riesgo, r×I: por hora se escriben r = 500 ÷ 24 ≈ 20.8 GB, y I = 15 minutos = 0.25 horas. Entonces 20.8 × 0.25 ≈ 5.2 GB.
  8. 8Reto

    Un equipo etiqueta 2,000 imágenes al día, en 8 horas, a US$0.50 cada una. Las etiquetas viven en una base de datos. Compara tres planes: (a) una copia cada 24 horas, gratis; (b) una copia cada hora, gratis; (c) replicación continua a otra región, US$40 al mes. Supón un desastre cada 5 años. Para cada plan: el peor caso, la pérdida promedio por desastre y la pérdida esperada al año. ¿Cuál eliges? ¿Qué cambiaría si quienes etiquetan fueran patólogos?

    Ver la solución paso a paso
    • Las ecuaciones: peor caso = lo etiquetado en un intervalo × US$0.50; promedio = la mitad; esperado al año = promedio × desastres por año (1 cada 5 años = 1⁄5).
    • (a) Peor caso: un día, 2,000 × 0.50 = US$1,000. Promedio: la mitad, US$500. Esperado al año: 500 × 1⁄5 = US$100.
    • (b) En una hora se etiquetan r = 2,000 ÷ 8 = 250. Peor caso: 250 × 0.50 = US$125. Promedio: 125 ÷ 2 = US$62.50. Esperado al año: 62.50 × 1⁄5 = US$12.50.
    • (c) Pérdida ≈ 0, pero cuesta 40 × 12 = US$480 al año.
    • Gana (b): casi toda la protección, sin costo. Respecto a (b), la replicación ahorra US$12.50 al año y cuesta US$480: 480 ÷ 12.5 ≈ 38 veces más de lo que ahorra.
    • Con patólogos cambia el precio de rehacer (trabajo experto, que además retrasa a pacientes) y deja de ser una cuenta de promedios: ahí se justifica (c), un RPO ≈ 0.
  9. 9Reto

    La cadena de Alba en dos zonas pierde ≈ 5 minutos al mes por fallas independientes y ≈ 43 por deploys malos que llegan a las dos zonas. Supón además que la región se cae 6 horas una vez cada 4 años. (a) ¿Cuántos minutos al mes pone la región, en promedio? (b) ¿Cuánto suma todo, y cumple 99.9 %? (c) Tienes dinero para una sola mejora: un warm standby (US$600 al mes) o cambiar de versión poco a poco, que evita 9 de cada 10 deploys malos. ¿Cuál eliges?

    Ver la solución paso a paso
    • La ecuación: minutos al mes en promedio = minutos de cada caída ÷ meses entre caídas.
    • (a) 6 horas son 6 × 60 = 360 minutos, y 4 años son 4 × 12 = 48 meses: 360 ÷ 48 = 7.5 minutos al mes en promedio.
    • (b) Independientes + deploys + región: 5 + 43 + 7.5 = 55.5 ≈ 56 minutos. No cumple: el presupuesto es E = 0.001 × 43,200 = 43.2.
    • (c) El warm standby quita, cuando mucho, los 7.5 de la región: quedan 5 + 43 = 48, y sigue sin cumplir. Los cambios poco a poco evitan 9 de cada 10 deploys malos, así que los 43 bajan a 43 × 0.1 ≈ 4: quedan 5 + 4 + 7.5 ≈ 17 minutos. Cumple, y cuesta mucho menos.
    • La región es el dominio que más asusta, pero aquí es el que menos minutos pone. Ataca primero la fuente más grande.
  10. 10Reto

    Diseña la ubicación de un agente de voz para un banco mexicano. Datos: los audios traen datos personales y el contrato exige que se procesen en México; el modelo necesita una GPU; en una conversación, cada 100 ms de más se notan. Tienes tres opciones: una región en México, us-east-1 (≈ 60 ms de RTT desde la Ciudad de México) y São Paulo (≈ 150 ms). Decide con las cuatro preguntas en orden y di qué tendrías que verificar antes de comprometerte.

    Ver la solución paso a paso
    • Residencia: el contrato deja solo la región en México. us-east-1 y São Paulo quedan fuera en la primera pregunta, sin mirar latencia ni precio.
    • Catálogo: hay que verificar, en la lista oficial y zona por zona, que la región en México ofrezca la GPU, y pedir la cuota antes de prometer fechas. Si no la ofrece: otro proveedor con GPUs en el país, máquinas propias, o renegociar el contrato con legal. No es decisión de ingeniería.
    • Latencia: dentro de México, ≈ 4 ms de RTT. De sobra. São Paulo, además de no cumplir el contrato, era la peor: 150 ms por vuelta.
    • Precio: se acepta el que haya.
    • Zonas: dos o tres dentro de esa región, con N+1 por zona. Una segunda región en México puede no existir: el plan de DR se discute con el banco, con un RPO y un RTO escritos.
12

Lo que sigue

Extra

What comes next

La siguiente lección, «Máquinas, GPUs y cómo se cobran», explica qué es exactamente una g4dn.xlarge, cómo se cobra y por qué a veces no hay. Después, «Redes en la nube» le pone precio a cada GB que cruza de zona o de región, y «Servicios gestionados, serverless y permisos» explica qué opera el proveedor por ti y qué cubre de verdad el SLA de cada servicio.

13

Palabras que vas a oír

Esencial

Words you will hear

RegiónregionUn área geográfica donde un proveedor de nube tiene un grupo de centros de datos y los opera como una unidad separada de las demás. Tiene un nombre en código, como us-east-1 (norte de Virginia).Más

Lo que creas en una región no existe en otra: una máquina, un bucket o una cuota son de esa región. Esa separación evita que un problema en una tumbe a las demás. La región decide cinco cosas: la distancia a quien te llama (≈ 1 ms de ida y vuelta por cada 100 km, como mínimo), el catálogo de máquinas y servicios, el precio, la ley que aplica a los datos y tus límites. Por dentro se parte en zonas de disponibilidad. Se elige en este orden: residencia de datos, catálogo, latencia y precio.

Analogía. Una cadena de supermercados: cada ciudad donde tiene tiendas es una región y cada sucursal, una zona. Los precios y lo que hay en los estantes cambian de ciudad en ciudad. Se rompe en que las sucursales de una ciudad comparten casi todo; las zonas se separan a propósito, con luz y red propias, para no caerse juntas.

Ejemplo. Alba, el marketplace que sigue el curso, tiene su modelo en us-east-1 porque ahí está el backend que lo llama: la llamada viaja metros. Desde la Ciudad de México hay ≈ 3,000 km: 2×3,000÷200 = 30 ms de ida y vuelta como mínimo físico, ≈ 60 ms en la práctica.

Ver en el glosario →

Zona de disponibilidadavailability zone · AZ · zoneUno o más centros de datos dentro de una región, con su propia electricidad, enfriamiento y red, aislados de las otras zonas. Repartir las réplicas en dos o más zonas protege de la caída de una.Más

Las zonas de una región están separadas por kilómetros, para que un incendio o un apagón no les pegue a dos, y unidas por fibra del proveedor, con ≈ 1 ms de ida y vuelta. Se nombran con la región y una letra: us-east-1a. Una máquina virtual, un disco de red y una subred viven en una zona; el object storage y el balanceador los reparte el proveedor entre varias. Es el dominio de falla que casi todo diseño decide sobrevivir, con multi-AZ y N+1 por zona.

Ejemplo. Alba, el marketplace que sigue el curso, usa dos zonas, us-east-1a y us-east-1b, con una T4 en cada una. Con Triton en una sola zona al 99.5 % serían 0.005×43,200 ≈ 216 minutos caídos al mes; en dos zonas independientes, 0.0052×43,200 ≈ 1.

Ver en el glosario →

SLA (acuerdo de nivel de servicio)SLA · service level agreementUn contrato: lo que un proveedor promete a su cliente sobre un servicio (por ejemplo, 99.99 % de disponibilidad al mes) y lo que le debe si no cumple, casi siempre créditos en la factura.Más

Tiene cuatro partes: qué se mide, el umbral, las exclusiones y la compensación. No es tu disponibilidad, por tres razones: promete créditos y no minutos; cubre una pieza del proveedor y no tu cadena completa, y muchas veces solo aplica si repartiste en dos o más zonas. Se distingue del SLI, lo que mides, y del SLO, la meta interna. Quien firma un SLA con sus clientes lo pone más flojo que su SLO, para tener margen.

Ejemplo. El SLA de 99.95 % del Kubernetes gestionado de AWS cubre el endpoint de la API de Kubernetes, no tus pods. Si un balanceador de ≈ US$500 al mes se cae 2 horas (99.72 % en el mes), un crédito de 10 % son US$50, y tú gastaste 2.8 presupuestos de error.

Ver en el glosario →

Dominio de fallafailure domain · fault domainTodo lo que se cae junto cuando falla una sola cosa: un pod, una máquina, una zona, una región. Dos réplicas en el mismo dominio de falla se caen juntas.Más

Los dominios van uno dentro de otro: el pod dentro del nodo, el nodo dentro de la zona, la zona dentro de la región. Los chicos fallan seguido y se llevan poco; los grandes fallan rara vez y se llevan todo lo que contienen. Cada uno tiene su defensa: reiniciar el pod, una réplica de más en otra máquina, réplicas en otra zona, otra región. Diseñar es decidir hasta qué dominio se cubre, porque cada escalón cuesta más. Compartir un dominio es la forma más común de falla correlacionada.

Analogía. Muñecas rusas: la región guarda zonas, la zona guarda máquinas y la máquina corre pods. Se rompe en la falla: una muñeca rota deja sanas a las de adentro, pero un dominio que falla se lleva todo lo que contiene.

Ejemplo. Del más chico al más grande: el pod falla de forma común y Kubernetes lo reinicia; el nodo, de forma ocasional; la zona, «rara, pero pasa»; la región, muy rara. Dos T4 en la misma zona no sobreviven a esa zona.

Ver en el glosario →

Multi-AZ (varias zonas)multi-AZ · multi-zoneTener réplicas de cada pieza en dos o más zonas de la misma región, de modo que cualquiera pueda atender sola. Es barato y casi siempre se quiere: protege del centro de datos que se apaga.Más

Funciona porque las zonas están a ≈ 1 ms y comparten red: no cambia el diseño, y el balanceador y Kubernetes ya saben repartir por zona. Pide tres cuidados: capacidad de repuesto ya encendida (N+1 por zona), ruteo por zona para no pagar el tráfico que cruza, y cambios de versión poco a poco, porque un deploy malo llega a todas las zonas. No protege de una caída de región, de un borrado ni de una cuenta robada: eso es multi-región y DR.

Ejemplo. Alba, el marketplace que sigue el curso, cumple su SLO de 99.9 % con dos zonas: la cadena completa pierde ≈ 5 minutos al mes por fallas independientes. La segunda zona le compra a Triton 216 − 1 = 215 minutos al mes.

Ver en el glosario →

Multi-región (varias regiones)multi-regionTener el sistema, o al menos sus datos, en dos o más regiones. Protege de la caída de una región, de un borrado y de una cuenta comprometida, pero es caro.Más

Entre regiones hay decenas de milisegundos y casi nada se comparte. Cuesta cuatro cosas: cuota y capacidad en la segunda región, datos replicados (≈ US$0.02 por GB más guardarlos otra vez), artefactos que coincidan (el engine de TensorRT depende de la GPU) y operar dos lugares. La pregunta no es «¿multi-región sí o no?», sino cuánto puedes perder (RPO) y cuánto puedes tardar (RTO). Y no salva de un deploy malo que llega a las dos regiones.

Ejemplo. Alba, el marketplace que sigue el curso, no lo necesita: su SLO de 99.9 % se cumple con dos zonas y tiene un fallback manual. Un warm standby costaría ≈ US$600 al mes: 600 ÷ 1,829 ≈ 33 % más que su infraestructura.

Ver en el glosario →

N+1N+1 redundancyTener una réplica más de las N que pide el tráfico, para que perder una no se note. Contado por zona: si cae una zona, las que quedan aguantan el pico completo.Más

El «+1» tiene que estar en otro dominio de falla y tiene que estar encendido: una GPU nueva tarda de 5 a 13 minutos en servir, y el día que cae una zona puede no haber. Por zona, con Z zonas se paga Z ÷ (Z − 1) veces lo que pide el tráfico: el doble con dos zonas, 1.5 veces con tres. Con pocas réplicas el redondeo manda. Es la forma práctica de la redundancia.

Ejemplo. Alba, el marketplace que sigue el curso, necesita 1 T4 (aguanta ≈ 1,200 fotos por segundo) para su pico de 500 y tiene 2, una por zona: si cae una zona, la otra queda al 500 ÷ 1,200 ≈ 42 %. En una campaña sostenida hipotética, con el tráfico × 5 (2,500 por segundo), serían 3 por zona, 6 en total, y con una zona caída quedarían al 2,500 ÷ (3 × 1,200) ≈ 69 %; habría que subir el máximo del autoscaler (hoy 4) y la cuota.

Ver en el glosario →

Ruteo por zonazone-aware routing · topology-aware routingHacer que cada llamada interna prefiera una réplica de su misma zona, y solo cruce a otra si en la suya no hay ninguna lista. Ahorra el milisegundo y el cargo por GB de cruzar de zona.Más

Sin él, un Service de Kubernetes reparte entre todas las réplicas, y con dos zonas la mitad del tráfico cruza. En Kubernetes se pide con trafficDistribution: PreferSameZone en el Service. Es una preferencia, no una obligación: si la réplica de la zona falla, la llamada cruza y el sistema degrada en lugar de caerse. Supone tráfico y capacidad parejos entre zonas; si no, una zona se satura mientras la otra descansa. El cobro del cruce es la transferencia entre zonas.

Ejemplo. En Alba, el marketplace que sigue el curso, sin ruteo por zona cruzaría la mitad de sus tensores, ≈ 90 TB al mes: a US$0.02 por GB (US$0.01 al salir de una zona y US$0.01 al entrar a la otra), 90,000 GB × 0.02 ≈ US$1,800 al mes, casi tanto como toda su infraestructura (≈ US$1.8k).

Ver en el glosario →

Failover (conmutación por falla)failoverPasar el tráfico de la copia que falló a la que sigue viva. Entre zonas lo hace el balanceador, en segundos o en un minuto según sus health checks; entre regiones hay que decidir cómo: por DNS (cambiar a dónde apunta el nombre), por IP anycast (la misma dirección anunciada desde varias regiones) o a mano.Más

Por DNS, un health check vigila la región y el nombre empieza a apuntar a la otra; el cambio tarda la detección más el TTL. Por IP anycast, la misma dirección se anuncia desde varias regiones y la red lleva cada paquete a la sana más cercana, en segundos. A mano, una persona decide: es lento, pero evita que una falsa alarma mande todo a una región que no estaba lista. El regreso a la región original se llama failback.

Ejemplo. Con un health check cada 30 segundos, 3 fallas para declarar la caída y un TTL de 60 segundos, el último cliente cambia hasta 150 segundos después.

Ver en el glosario →

Recuperación ante desastres (DR)disaster recovery · DREl plan para el día en que se pierde algo grande: una región, una cuenta o una base de datos borrada. Se define con dos números: cuánto puedes perder (RPO) y cuánto puedes tardar (RTO).Más

Se decide por artefacto, no por sistema: lo que se puede recalcular aguanta perder horas; lo que escribió una persona, casi nada. Con el RPO y el RTO de cada cosa se elige la estrategia más barata que los cumpla, se pone la replicación que haga falta y se ensaya en un game day. Replicar no basta: contra un borrado o un archivo corrupto hacen falta versiones o snapshots.

Ejemplo. El DR de Alba, el marketplace que sigue el curso, es el más barato: pesos e imágenes de contenedor copiados a otra región, código en git e infraestructura descrita en archivos. Si la región cae mucho tiempo, se reconstruye en horas; mientras, la vendedora elige la categoría a mano.

Ver en el glosario →

RPO (objetivo de punto de recuperación)RPO · recovery point objectiveCuántos datos, medidos en tiempo, aceptas perder en un desastre. Un RPO de 1 hora dice: al volver, puede faltar hasta la última hora de datos.Más

Lo fija cada cuánto copias o qué tan atrasada va la replicación: con una copia cada noche, el peor caso es casi un día. Se promete con el peor caso, no con el promedio, que es la mitad. Cada artefacto tiene el suyo. Un RPO de cero pide escribir en dos lugares antes de responder, y eso cuesta latencia y complejidad.

Analogía. El último punto de guardado de un videojuego: lo que avanzaste desde ahí se pierde. Se rompe en que en el juego tú decides cuándo guardar; en un sistema lo decide cada cuánto corre la copia o qué tan atrasada va la réplica.

Ejemplo. Un servicio que verifica documentos de identidad los replica con garantía de 15 minutos. En la hora pico entran ≈ 714 por hora (supuesto del ejemplo): 714 por hora × 0.25 horas ≈ 180 documentos en riesgo en el peor caso.

Ver en el glosario →

RTO (objetivo de tiempo de recuperación)RTO · recovery time objectiveCuánto tiempo aceptas estar caído, desde el desastre hasta volver a atender.Más

Suma detectar la falla, decidir, mover el tráfico (failover (conmutación por falla)) y tener capacidad lista. Lo baja tener más cosas ya encendidas, y eso es lo que encarece cada estrategia de DR. El RTO real no es el del documento: es el que se mide en un ensayo.

Analogía. En el videojuego, lo que tardas en prender la consola, cargar la partida y llegar a donde ibas. Se rompe en que la consola tarda siempre lo mismo; el RTO de verdad depende de si hay máquinas listas y de cuánto se tarda la gente en decidir.

Ejemplo. Detección de 30 segundos, TTL de 60 segundos y un warm standby que tarda 4 minutos en crecer: ≈ 5.5 minutos. Cumple un SLO de 99.9 % mensual, pero no uno de 99.99 % (4.3 minutos).

Ver en el glosario →

Estrategias de DRbackup and restore · pilot light · warm standby · active/activeCuatro planes de recuperación, del más barato y lento al más caro y rápido: copia y restauración (solo copias), pilot light (datos listos, máquinas apagadas), warm standby (una versión chica encendida) y activo/activo (todo encendido en las dos regiones).Más

Copia y restauración: solo hay copias en la otra región; volver toma horas. Pilot light (llama piloto): datos replicados y lo mínimo creado pero apagado; decenas de minutos, y no atiende sin encender. Warm standby (espera tibia): una versión chica encendida, que ya atiende a capacidad reducida; minutos. Activo/activo: todo en las dos regiones, atendiendo; casi cero, pero cuesta el doble y complica todo lo que guarda estado. Se elige la más barata que cumpla el RPO y el RTO.

Ejemplo. Para Alba, el marketplace que sigue el curso (≈ US$1.8k al mes de infraestructura): copia y restauración, decenas de dólares; pilot light, ≈ US$200; warm standby, 384 + 124 + 73 + 16 ≈ US$600 (33 % más); activo/activo, ≈ US$1.8k más. Alba se queda con la primera.

Ver en el glosario →

Residencia de datosdata residencyLa obligación, por ley o por contrato, de guardar o procesar ciertos datos solo dentro de un país o una región. La define el área legal, no ingeniería.Más

Es lo primero que fija la región, antes que la latencia o el precio, porque no se negocia. Cuenta todo lo que lleva los datos: la base, las copias de respaldo, los logs con datos de personas, la región de réplica y el prompt que se manda a un modelo alojado en otra región. Puede dejarte sin la región más barata o sin la GPU que querías.

Ejemplo. En un servicio que verifica documentos de identidad, el diseño empieza con «cuenta y región aprobadas por legal». Una clínica cuyo contrato dice que las radiografías no salen de México descarta Virginia en la primera pregunta.

Ver en el glosario →

Replicación entre regionescross-region replication · CRRUna regla que copia a otra región cada dato nuevo: objetos de un bucket, imágenes de contenedor o cambios de una base de datos. Casi siempre es asíncrona: la copia llega después del original.Más

Ese atraso define el RPO: lo que iba en camino cuando cayó la región se pierde. Sin garantía, la mayoría de los objetos de S3 llega en menos de 15 minutos; la opción Replication Time Control está diseñada para replicar el 99.99 % en menos de 15 minutos, y su SLA promete el 99.9 %. Cuesta la transferencia (≈ US$0.02 por GB desde us-east-1) más guardar los datos dos veces. Y no es un respaldo: copia también los borrados y los archivos corruptos, así que se combina con versiones o snapshots.

Ejemplo. Alba, el marketplace que sigue el curso, replica sus pesos (≈ 98 MB por versión, centavos) y no sus fotos, que suman 2 TB al día: ≈ 61 TB al mes × US$0.02 por GB ≈ US$1,200 al mes solo de transferencia.

Ver en el glosario →

Game day (ensayo de falla)game day · disaster recovery drillUn ensayo programado en el que se provoca una falla a propósito (apagar una zona, cortar una región) para ver si el plan funciona y medir cuánto tarda de verdad.Más

Se escribe antes qué se espera, se provoca la falla con un límite de tiempo y una forma de deshacerla, se mide cuánto tardó en notarse y en recuperarse, y se arregla lo que salió. Deja un RTO medido y descubre lo que nadie sabía: una cuota en cero en la otra región, un permiso que faltaba, una causa común escondida. La regla corta: un DR que no se ensayó no existe.

Ejemplo. Se apaga la zona 1b de Alba, el marketplace que sigue el curso, un martes a las 6 de la mañana. Se espera que los errores suban durante menos de un minuto y que la T4 de 1a llegue a 500 ÷ 1,200 ≈ 42 %, en el pico de diseño. Si en cambio el gateway de 1a se satura, eso se arregla antes de que pase de verdad.

Ver en el glosario →

14

Chequeo

Esencial

Check

  1. 1¿Qué diferencia hay entre una región y una zona?Ver respuesta

    Una región es un área geográfica con un grupo de centros de datos, separada de las demás regiones. Una zona es uno o más centros de datos dentro de la región, aislados de las otras zonas pero a ≈ 1 ms de ellas.

  2. 2¿Cuánto RTT pone, como mínimo, cada 100 km de distancia? ¿Por qué?Ver respuesta

    Al menos 1 ms, ida y vuelta: la luz en la fibra recorre ≈ 200 km por milisegundo. El RTT real suele ser cerca del doble.

  3. 3Alba necesita una sola T4 para su tráfico. ¿Por qué tiene dos, y por qué en zonas distintas?Ver respuesta

    Por disponibilidad: es un N+1 por zona. Si cae una zona, la otra aguanta el pico de 500 fotos por segundo sola, al 500 ÷ 1,200 ≈ 42 % de su máximo. En la misma zona caerían juntas.

  4. 4¿Qué promete un SLA del proveedor?Ver respuesta

    Créditos en la factura si un servicio suyo baja de cierto porcentaje. No promete que no se caiga, y no cubre tu cadena completa.

  5. 5¿Qué preguntan el RPO y el RTO?Ver respuesta

    RPO: cuántos datos, en tiempo, aceptas perder. RTO: cuánto tiempo aceptas estar caído hasta volver a atender.

  6. 6¿Por qué Alba no usa una segunda región?Ver respuesta

    Porque su SLO de 99.9 % se cumple con dos zonas y tiene un fallback manual que no depende de la región. Un warm standby costaría ≈ US$600 al mes, 600 ÷ 1,829 ≈ 33 % más, para proteger una sugerencia.

  7. 7¿En qué orden se elige una región?Ver respuesta

    Residencia de datos, catálogo (GPUs y servicios), latencia a quien llama y, al final, precio.

Repasar los 16 conceptos de esta lección con tarjetas Sigue · 40Máquinas, GPUs y cómo se cobranLa nube ← 38 · Qué es la nube