Aller au contenu
Encyclopédie informatique Édition 2026

La haute disponibilité

Partie 4 sur 5

Niveau de lecture :

8Les clusters

Un cluster (« grappe » en français) est « une architecture composée de plusieurs ordinateurs formant des nœuds, où chacun des nœuds est capable de fonctionner indépendamment des autres ». Les machines coopèrent pour se présenter, vues de l’extérieur, comme un seul système. On distingue deux usages principaux, avec une correction de vocabulaire (on attribue parfois aux deux la même phrase « répartir une charge de travail parmi un grand nombre de serveurs » ; les buts diffèrent) :

  • les clusters de haute disponibilité visent à garantir que le service continue malgré la défaillance d’un nœud : les autres reprennent le travail. Le but est la continuité ;
  • les clusters de calcul (ou de calcul haute performance) visent à utiliser « la performance cumulée de chacun des nœuds » pour traiter un problème trop gros pour une seule machine : prévisions météo, simulations scientifiques, entraînement de modèles d’intelligence artificielle. Le but est la puissance.

On rencontre aussi des clusters de répartition de charge (le répartiteur de la partie 7 et sa ferme de serveurs), de stockage (des disques de nombreuses machines vus comme un seul espace) et de bases de données.

8.1Comment un cluster de haute disponibilité fonctionne

Un cluster de haute disponibilité repose sur quelques ingrédients. Un réseau interne, souvent dédié, par lequel les nœuds échangent leurs battements de cœur. Un gestionnaire de ressources (un logiciel présent sur chaque nœud) qui sait quels services tournent où, détecte les pannes et décide du basculement, en respectant le quorum (partie 5.4). Un moyen de rendre les données accessibles au nœud qui reprend : soit un stockage partagé, auquel plusieurs nœuds ont accès (une baie de disques réseau, voir les accès au stockage), soit une réplication des données de nœud à nœud (partie 9.2). Et un moyen d’isoler un nœud douteux : avant de relancer un service ailleurs, on doit être sûr que l’ancien nœud ne l’exécute plus. On coupe alors son alimentation ou son accès au stockage, opération appelée « escrime » (fencing) dans le jargon.

8.2Les plateformes de conteneurs

Dans les architectures actuelles, une grande partie de ce travail est assurée par des plateformes d’orchestration comme Kubernetes (voir les conteneurs) : on décrit le service souhaité (« je veux trois exemplaires de ce programme en fonctionnement »), et la plateforme le maintient : si un conteneur ou une machine tombe, elle en recrée un ailleurs, les répartit sur des machines et des zones différentes, et les met derrière un répartiteur. La description se fait par des fichiers (voir l’infrastructure décrite par du code), ce qui rend l’ensemble reproductible. La plateforme n’est pas magique : elle est elle-même un cluster à rendre hautement disponible, et ses propres pannes (réseau, stockage, certificats expirés) sont des causes fréquentes d’incident.

Pour s’exercer

Exercice 7 : le quorum

Un cluster compte cinq nœuds. Un incident réseau les sépare en deux groupes, de trois et de deux nœuds. (a) Lequel continue de fonctionner ? (b) Même question pour un cluster de deux nœuds coupés l’un de l’autre. (c) Que peut-on ajouter ?

Voir la réponse

(a) Le groupe de trois, qui détient la majorité (3 sur 5) ; le groupe de deux s’arrête, pour éviter deux versions incohérentes des données (split brain). (b) Chaque nœud ne voit qu’un nœud sur deux : aucun n’a la majorité (il faudrait 2 sur 2) ; soit les deux s’arrêtent, soit ils continuent tous deux et risquent un split brain, selon la configuration. (c) Un troisième participant, même très petit (un « témoin » ne portant pas de données), permet de désigner un gagnant : deux voix sur trois forment la majorité.

9Les données : sauvegarder n’est pas dupliquer

9.1La redondance ne protège pas de tout

Une remarque est essentielle : « la mise en place d’une architecture redondante ne permet que de s’assurer de la disponibilité des données d’un système mais ne permet pas de protéger les données contre les erreurs de manipulation des utilisateurs ou contre des catastrophes naturelles telles qu’un incendie, une inondation ou encore un tremblement de terre ». C’est exact et toujours trop oublié. Une redondance recopie fidèlement : si un utilisateur supprime un fichier, la suppression est répliquée aussitôt sur la copie ; si un logiciel malveillant chiffre les données, les copies sont chiffrées à leur tour ; si une mise à jour corrompt une base, la corruption se propage. La redondance protège des pannes matérielles ; elle ne protège pas des erreurs de contenu.

Il faut donc des sauvegardes (voir les sauvegardes) : des copies datées et isolées qui permettent de revenir à un état antérieur. On recommande de les placer « idéalement sur des sites distants, afin de garantir la pérennité des données ». On leur reconnaît aussi une fonction d’archivage : conserver les données « dans un état correspondant à une date donnée », pour répondre à une obligation légale ou retrouver ce qu’était un dossier à une date précise.

La règle de référence est celle du 3-2-1 : trois copies des données, sur deux supports différents, dont une hors du site. On la complète de plus en plus par une copie immuable (impossible à modifier ou effacer pendant une durée fixée, même par un administrateur) et par des tests de restauration réguliers : une sauvegarde qu’on n’a jamais restaurée n’est qu’une hypothèse.

9.2La réplication : synchrone ou asynchrone

Pour les données vivantes (bases de données, fichiers), on utilise la réplication : chaque écriture est envoyée à une ou plusieurs copies. Deux modes :

  • en réplication synchrone, l’écriture n’est confirmée à l’utilisateur qu’une fois la copie confirmée. Aucune donnée n’est perdue en cas de panne (RPO de zéro), mais chaque écriture attend la réponse de la copie, donc elle est plus lente, d’autant plus que la copie est loin (la lumière met environ 5 millisecondes pour parcourir 1 000 kilomètres de fibre) ;
  • en réplication asynchrone, l’écriture est confirmée tout de suite et la copie suit avec un petit retard. C’est rapide, mais en cas de panne brutale de la machine principale, les dernières écritures non encore copiées sont perdues (RPO supérieur à zéro).

Le choix entre les deux est un compromis entre vitesse, distance et perte de données acceptée. Beaucoup de systèmes répliquent de façon synchrone entre des sites proches (dans la même ville) et de façon asynchrone vers des sites éloignés.

9.3Les disques : RAID et au-delà

La redondance au niveau des disques (RAID) est la forme la plus ancienne et la plus répandue : en répartissant ou en dupliquant les données sur plusieurs disques, un ensemble survit à la perte d’un ou deux disques. Elle ne protège pas contre la perte de la machine entière, ni de l’erreur humaine, et les disques d’une même série peuvent tomber en panne à peu de temps d’écart, surtout pendant la longue reconstruction d’un disque remplacé. Pour les gros volumes, on préfère aujourd’hui des systèmes de stockage répartis, qui conservent plusieurs copies de chaque morceau de donnée sur des machines et des baies différentes.

10Plusieurs sites : zones, régions et plans de reprise

La redondance dans un même bâtiment ne protège pas du sinistre du bâtiment (incendie, inondation, coupure d’électricité générale ou de réseau). Pour un service critique, on répartit sur plusieurs sites. Les fournisseurs de cloud ont popularisé deux niveaux :

  • une zone de disponibilité : un ou plusieurs bâtiments indépendants (électricité, froid, réseau séparés) dans une même région, reliés par un réseau très rapide, de sorte que le sinistre de l’un n’affecte pas les autres ;
  • une région : un ensemble de zones dans une zone géographique, éloignée des autres régions de plusieurs centaines de kilomètres.

Répartir un service sur plusieurs zones d’une même région protège des pannes d’un bâtiment, avec des délais faibles. Le répartir sur plusieurs régions protège des sinistres régionaux (tempêtes, pannes du fournisseur dans la région), au prix de délais plus longs, de coûts plus élevés et d’une plus grande complexité (réplication des données entre régions, gestion de la cohérence). Il y a un compromis à chaque marche, et la bonne réponse dépend du RTO et du RPO exigés.

10.1Plan de continuité et plan de reprise

L’ensemble est formalisé dans un plan de continuité d’activité (PCA), qui décrit comment l’organisation continue de fonctionner pendant un sinistre, et un plan de reprise d’activité (PRA), qui décrit comment elle revient à la normale (voir le plan de continuité). Ces plans désignent des responsables, listent les services par ordre de criticité, fixent les RTO et RPO, décrivent les procédures de bascule et de retour. Ils ne valent que s’ils sont testés : une bascule qu’on n’a jamais exercée échoue presque toujours la première fois, par un oubli d’adresse, un mot de passe périmé, une dépendance non prévue.

10.2Les dépendances extérieures

Une application hautement disponible reste dépendante de services qui ne sont pas les siens : le fournisseur de cloud, le service de noms, l’opérateur réseau, les services d’authentification, de paiement, de messagerie. L’incident survenu chez un grand fournisseur en octobre 2025 (une défaillance du système interne qui gère les adresses de sa base de données dans une région) l’a rappelé : de nombreux services qui se croyaient redondants sur plusieurs machines étaient en réalité tous liés à une même région. Lister ses dépendances, leur niveau de disponibilité annoncé et ce que l’on fait quand elles échouent, est une étape de toute étude de haute disponibilité (voir l’observabilité pour les mesurer).