Files
clean-architecture-backend-…/docs/mongodb/runbooks/failover.md
T
DongHyeonka 65749238b2 docs(mongodb): MongoDB runbook 머리말 상태를 초안·운영 어휘로 바꾼다
runbook 상태 어휘가 초안·운영으로 바뀌었는데(docs/runbooks/template.md,
RunbookCoverageContractTest) docs/mongodb/runbooks/의 두 runbook은 옛 값
status: active를 쓴다. 그 시험은 docs/runbooks만 보므로 걸리지 않았다
(번역 묶음 D2c가 범위 밖으로 넘긴 것).

failover.md, unknown-commit.md의 status: active → 운영(옛 active의 뜻).
본문은 바꾸지 않았다.

검증(노트북): check-docs.py OK. 살아 있는 문서의 머리말 status 중 초안·운영
밖의 값 0(git grep '^status:').
2026-11-07 18:27:30 +09:00

5.3 KiB

title, category, severity, owner, last_updated, status
title category severity owner last_updated status
Runbook — MongoDB primary 장애 조치(failover) mongodb P2 oncall 2026-08-13 운영

Runbook: MongoDB primary 장애 조치(failover)

설계서 §29, 시나리오 PRIMARY_KILL, NETWORK_PARTITION, SERVER_SELECTION_TIMEOUT, WRITE_RESPONSE_LOSS.

증상

  • MongoServerSelectionException / MongoConnectionException이 치솟았다가 몇 초 안에 회복한다.
  • MongoSdamObservationListener가 토폴로지 변화를 보고한다(primary 빠짐, 새 primary 선출).
  • MongoPoolObservationListener에서 connection checkout 대기 시간은 오르는데 서버 쪽 명령 시간은 평평하다. 기다린 원인은 query 비용이 아니라 토폴로지다.
  • 쓰기 지연이 치솟는데 읽기 지연은 그만큼 오르지 않는다.

약 15초 안에 끝나고 WRITE_RESULT_UNKNOWN을 만들지 않은 failover는 정상적인 replica set 동작이다. 스스로 회복했는지 확인하는 것 말고는 할 일이 없다.

진단

  1. 선출이 실제로 있었는지 확인한다. SDAM 이벤트가 있어야 선출과 「DB가 느려졌다」를 구분한다. 없으면 애플리케이션 metric으로는 둘을 구분할 수 없다.
  2. 실패 분류를 나눈다. Metric tag failureCategory:
    • SERVER_SELECTION / CONNECTION → driver가 primary에 닿지 못했다. NOT_SENT이고 안전하다.
    • 결과가 WRITE_RESULT_UNKNOWN인 TIMEOUT → 쓰기가 적용됐을 수 있다. 안전하지 않다. 아래를 본다.
    • TRANSACTION_COMMIT_UNKNOWN → 대신 unknown-commit.md로 간다.
  3. 선출에 걸린 시간을 MongoRetryBudget과 비교한다. 선출이 예산보다 길었으면 primary가 생기기 전에 재시도를 다 써 버렸고, 예산이 더 길었으면 흡수했을 오류를 호출자가 봤다.
  4. 새 primary가 기대한 region/AZ에 있는지 본다. 먼 노드로 failover하면 쓰기 지연이 잠깐이 아니라 계속 바뀐다.

조치

스스로 회복했다(흔한 경우). 결과 분포에 WRITE_RESULT_UNKNOWN이 없는지 확인하고, 선출을 장애 기록에 남기고 닫는다. 다시 돌릴 것은 없다.

WRITE_RESULT_UNKNOWN인 쓰기가 있다. 이 쓰기는 적용됐을 수도, 아닐 수도 있다. 확인 없이 재시도하지 않는다.

  • 멱등 연산(AtomicFilter 선행 조건이 붙은 등록된 MongoUpdateOperator): 재시도한다. 선행 조건 덕분에 두 번째 적용은 아무 일도 하지 않는다.
  • 멱등이 아닌 연산: 대상 문서를 읽어 의도한 결과 상태와 비교해 맞춰 본다. 쓰기가 반영되지 않았을 때만 재시도한다.

server selection이 끝내 회복하지 않는다. set이 quorum을 잃었다. 노드 셋 중 둘이 죽었거나 끊겼다. client 쪽에서 고칠 방법은 없다. 과반을 되살리도록 DB 소유자에게 올린다. 애플리케이션은 큐에 쌓지 않고 닫힌 쪽으로 실패하고 있어야 한다.

선출이 잦다(이유 없이 하루 한 번 넘게). 애플리케이션이 아니라 인프라 증상이다. 노드 자원 포화, primary의 디스크 지연, member 사이 네트워크 안정성을 본다. 선출이 반복되면 결과를 모르는 구간도 반복된다.

상향 보고

  • server selection이 2분 넘게 실패했거나, 멱등이 아닌 쓰기가 WRITE_RESULT_UNKNOWN을 돌려받고 맞춰 볼 수 없으면 P2 → P1.
  • quorum 손실은 DB 소유자를, 결과를 모르는 쓰기를 맞춰 보는 일은 서비스 소유자를 호출한다.

확인

failover lane이 이 상황을 일부러 재현한다.

cd src
./gradlew :adapter:outbound:persistence-mongo:mongoFailoverTest --console=plain

이 lane은 실제 노드 세 개짜리 set(MongoThreeNodeReplicaSet)을 띄우고, primary를 멈추고 (MongoPrimaryController), Toxiproxy로 네트워크 장애를 넣는다(ToxiproxyMongoNetworkFaultController). 노드 하나짜리 set으로는 선출을 시험할 수 없다. 선출이 일어나지 않으니 primary 교체에 기대는 보장은 모두 시험되지 않는다.

네트워크 장애에는 따로 fixture(MongoProxiedReplicaSetNode)가 필요하다. 멈춘 container로는 만들 수 없기 때문이다. 노드를 멈추면 client는 쓰기가 일어나지 않았다는 것을 안다. 서버는 살려 둔 채 경로를 끊으면 client는 알 수 없다. MongoNetworkFaultLaneTest는 같은 서버에 두 번 닿아 그 차이를 단언한다. 한 번은 proxy를 거쳐, 한 번은 바로.

  • 분할: proxy를 거친 client는 실패하고, 바로 닿은 client는 서버가 멀쩡하고 앞서 쓴 것이 그대로임을 본다. 끊긴 것은 서버가 아니라 경로다.
  • 응답 유실: proxy를 거친 client는 실패하고, 바로 닿은 client는 문서가 있음을 본다. 쓰기는 적용됐고 확인 응답만 사라졌다. DefaultMongoFailureClassifier는 WRITE_RESULT_UNKNOWN을 돌려준다. 재시도했다면 문서가 하나 더 생겼을 것이다.

lane이 기대는 세부가 하나 있다. toxic을 걸기 전에 connection을 먼저 데운다. 차가운 connection에서는 응답이 사라지는 것이 driver의 handshake이므로 쓰기는 아예 전송되지 않는다. 그러면 NOT_SENT가 되어 시험하려던 「결과를 모름」과 정반대가 된다.