Não muito tempo atrás, trabalhei com uma empresa que acreditava ter feito tudo certo. A empresa distribuiu cargas de trabalho por diversas regiões, replicou armazenamentos de dados importantes, documentou procedimentos de failover e investiu pesadamente em automação. No papel, parecia uma implantação de nuvem madura. Então, um problema no plano de controle atingiu um de seus principais fornecedores. A infraestrutura em si não desapareceu totalmente, mas a camada de gerenciamento tornou-se instável o suficiente para que as equipes não pudessem fazer alterações oportunas, acionar as ações de recuperação esperadas ou confiar no estado do ambiente em tempo real. O que falhou não foi simplesmente a computação ou o armazenamento. O que falhou foi a suposição da empresa de que os mecanismos de controle da nuvem sempre existiriam.
Essa experiência atinge o cerne de um problema crescente. A confiabilidade da nuvem está sob escrutínio renovado porque agora mais interrupções estão vinculadas a falhas no plano de controle, em vez de falhas isoladas na infraestrutura. Um relatório do Uptime Institute destacou recentemente essa mudança e deveria chamar a atenção de todos os arquitetos sérios. Quando a camada de gerenciamento se torna o problema, o raio de impacto pode ser muito mais amplo do que a maioria das organizações prevê.
Durante anos, a indústria falou sobre resiliência principalmente em termos de infraestrutura. Nós nos concentramos em zonas, regiões, backups e redundância de serviços. Essas coisas ainda importam, é claro. No entanto, eles não contam mais a história toda. A nuvem não é apenas uma coleção de servidores, sistemas de armazenamento e redes. É também um modelo operacional massivo construído em torno de APIs, camadas de orquestração, sistemas de identidade, mecanismos de políticas, controladores de serviços e estruturas de automação. Quando essa estrutura de controlo de ordem superior se quebra ou fica prejudicada, os seus planos de recuperação podem desmoronar muito rapidamente.
