フェールオーバーとは?判定の値・切り替え方式と失われるデータ
フェールオーバーとは、動いていたサーバーや機器が止まったときに、待機していた別の系へ自動で処理を切り替える仕組みのことです。
この記事では、何を見て「止まった」と判定するのか、何を切り替えるのか、切り替えで失われるデータと失敗しやすい場面、元に戻すフェールバックまでを、具体的な値の図で解説します。
この記事は以下のような人におすすめ!
- フェールオーバーの意味とフェールバックとの違いを知りたい人
- 切り替えにかかる時間や判定の値を具体的に知りたい人
- 切り替えで失われるデータや失敗の原因を確かめたい人
本記事はプロモーション(アフィリエイト広告)を含みます。
フェールオーバーとは:止まった系から待機系へ自動で切り替える仕組み
1-1. フェールオーバーの意味と、切り替えで起きること
NIST(米国国立標準技術研究所)の用語集では、フェールオーバーを「それまで動いていたシステムが故障や異常終了したときに、冗長化された系や待機系へ、通常は人の操作や予告なしに自動で切り替える能力」と定義しています(参考1)。
ポイントは「自動で」という部分で、予備の機器を置いておくだけではフェールオーバーとは呼びません。
Windows Serverのフェールオーバークラスターでは、ノード同士がハートビートと呼ばれる信号で互いの状態を監視し、問題を検出すると残りのノードが自動で処理を引き継ぎます(参考2)。
次の図は、説明用のWebサービスを例に、主系のサーバーが止まってから待機系が処理を引き継ぐまでの流れを示したものです。
図のように、フェールオーバーは「異常に気づく」「待機系を主系にする」「利用者の宛先を新しい主系へ向ける」「利用者がつなぎ直す」という段階に分かれます。
利用者から見ると、宛先の名前やIPアドレス(図ではapp.example.comと10.0.1.10)は変わらないので、設定を変えずに使い続けられます。
一方で、切り替えの途中で処理中だった通信は切れることが多く、アプリやブラウザーがつなぎ直す必要があります。
「どれくらいの時間で気づくか」「どこまでのデータが待機系に届いているか」によって、止まる時間と失われるデータが変わる点が、この記事の中心になります。
1-2. スイッチオーバー・フェールバック・HA構成との違い
フェールオーバーと一緒に出てくる言葉に、スイッチオーバー(計画的な切り替え)、フェールバック、HA構成があります。
SQL ServerのAlways On可用性グループでは、切り替えを「自動フェールオーバー」「計画的な手動フェールオーバー」「強制フェールオーバー」の3つに分けており、一般にスイッチオーバーと呼ばれる計画的な切り替えは、2つ目にあたります(参考8)。
フェールバックは、障害が直ったあとに元の主系へ処理を戻すことで、Microsoftの資料は、フェールオーバーの後に元の場所で書き込まれたデータの扱いなど、計画が複雑になりやすいと説明しています(参考3)。
| 言葉 | いつ | だれが始める | データの扱い |
|---|---|---|---|
| フェールオーバー | 障害で主系が止まったとき | 多くは監視の仕組みが自動で | 同期の状態しだいで失うことがある |
| スイッチオーバー | 点検・更新の予定の時間 | 管理者が手動で | 同期を確かめてから移すので失わない |
| フェールバック | 障害が直ったあと | 多くは管理者が手動で | 切り替え後に増えたデータを戻す必要がある |
| HA構成 | 常に(構成そのもの) | 設計で決める | フェールオーバーを含む全体の仕組み |
HA構成は「止まらないための構成全体」、フェールオーバーは「その中で切り替えを行う動作」という関係です。
構成の方式(アクティブ/スタンバイなど)や、監視を置いて多数決をとるクォーラムの考え方は、次の記事で詳しく解説しています。
フェールオーバーの流れ:検知・判定・切り替え・再接続
2-1. 4つの段階と、止まる時間の内訳
フェールオーバーで利用者が待たされる時間は、「異常の検知と判定」「待機系の昇格」「宛先の切り替え」「利用者側の再接続」の合計です。
AWSのAmazon RDS(Multi-AZ構成のデータベース)の資料では、主系のホストが正常でない、ネットワークで到達できない、ストレージが故障した、などの条件で、別のアベイラビリティーゾーンの待機系へ自動で切り替わると説明しています。
同じ資料では、切り替えにかかる時間は通常60〜120秒で、大きなトランザクションや長い復旧処理があると延びることがあるとしています。
切り替えが終わると、データベースの名前(DNSのレコード)が待機系を指すように自動で変わるため、アプリは接続をつなぎ直す必要があります。
図の例では、切り替えに120秒かかり、アプリが古いIPアドレスを最大60秒覚えていると、利用者から見て最大で約3分つながらない計算になります(計算例)。
RDSの資料は、Javaの実行環境(JVM)がDNSの結果を長く覚えすぎないよう、キャッシュの時間(TTL)を60秒以下にすることを勧めています。
JVMの設定によってはDNSの結果を再起動まで更新しないこともあり、その場合は切り替えが終わっていても、アプリを再起動するまで新しい主系へつながりません(参考4)。
止まる時間を見積もるときは、切り替え機能の時間だけでなく、利用者側のキャッシュと再接続まで含めて考えます。
2-2. ヘルスチェックの判定値:何回失敗したら「止まった」とみなすか
監視の仕組みは、相手へ定期的に問い合わせを送り、決めた回数だけ続けて失敗したら「止まった」と判定するのが基本です。
この問い合わせの間隔と回数(しきい値)が、検知の速さと誤検知の起きにくさを決めます。
DNSで切り替えるAmazon Route 53では、公開されたエンドポイントへのヘルスチェックの間隔を10秒か30秒から選びます。
HTTPのチェックでは、4秒以内にTCPの接続ができ、接続後2秒以内に2xxか3xxの応答が返ることが正常の条件で、世界各地のチェッカーのうち正常と答えたのが18%以下なら、正常でないと判定されます。
VPCの中のエンドポイントを調べる場合は、標準の30秒間隔で、失敗のしきい値は既定で3回です(参考5)。
図の下段のように、30秒間隔で3回の失敗が条件なら、障害が起きた時刻とチェックの時刻のずれによって、判定までに約60〜90秒かかります(計算例)。
Azure Load Balancerのヘルスプローブは、ポータルで作ると既定の間隔が5秒、APIやテンプレートで作ると15秒(最小5秒)です。
HTTPのプローブでは、200以外の応答が返るとその時点ですぐに異常と判定され、回数のしきい値は「応答がなくタイムアウトした場合」にだけ使われます(参考6)。
間隔を短く、回数を少なくするほど早く気づけますが、一時的な遅れでも切り替わりやすくなるので、両方のバランスで決めます。
何を切り替えるか:仮想IP・DNS・振り分け先の違い
3-1. 仮想IPを引き継ぐ方式:利用者の宛先はそのまま
1つ目の方式は、利用者が使う宛先のIPアドレスを機器から切り離した「仮想IP」にしておき、主系が止まったら待機系がその仮想IPを名乗る方法です。
ゲートウェイのルーターを2台にするVRRPでは、仮想IPに加えて、仮想ルーターの番号(VRID)から決まる仮想MACアドレス(IPv4では00-00-5E-00-01-{VRID})も一緒に引き継ぎます。
図のように、PCが覚えている「10.0.1.1のMACアドレスは00-00-5E-00-01-0A」という対応は切り替えの前後で同じなので、PCは何も変えずに通信を続けられます。
変わるのは、L2スイッチが覚えている「そのMACアドレスがどのポートの先にいるか」という情報です。
RFC 5798では、新しくマスターになったルーターが、仮想MACアドレスを含むGratuitous ARPをすぐに送り、広告も仮想MACアドレスを送信元にして送ることで、スイッチが正しい居場所を学習できるようにしています。
バックアップが「止まった」と判定するまでの時間は、広告の間隔が既定の1秒で優先度100なら約3.61秒です(参考7)。
仮想IPの方式は、同じネットワークの中で切り替えるときに速く、利用者側のキャッシュの影響を受けにくいのが長所です。
VRRPの設定項目や、優先度とプリエンプト(復帰した機器がマスターを取り戻す動き)の考え方は、次の記事で解説しています。
3-2. DNSの向き先を変える方式:TTLとキャッシュの落とし穴
2つ目の方式は、利用者が使う名前(例:db.example.com)のDNSレコードを、新しい主系を指すように書き換える方法です。
この方式は、主系と待機系が別のネットワークや別の地域にあり、同じIPアドレスを名乗れないときにも使えます。
Azure SQL Databaseのフェールオーバーグループでは、読み書き用のリスナーが「現在の主系を指すCNAMEレコード」になっていて、切り替え後にこのレコードが新しい主系へ自動で更新されます。
注意したいのは、レコードを書き換えても、利用者側のDNSキャッシュが更新されるまでは古い宛先へ接続しに行くことです。
同じ資料では、リスナーのDNSレコードのTTLは30秒で、クライアントのDNSキャッシュが更新されて初めて新しい主系へつながると説明しています(参考9)。
接続文字列に書く名前は切り替え後も変わらないので、アプリの設定を書き換える必要はありません。
ただし、2-1で触れたJVMのように、アプリ側がDNSの結果をTTLより長く覚えていると、そのぶん切り替えが遅れます。
DNSの方式では、TTLの値だけでなく、アプリや実行環境がDNSの結果をどれだけ覚えるかと、接続が切れたときに自動でつなぎ直すかを確かめておきます。
3-3. ロードバランサーで振り分け先から外す方式
3つ目は、ロードバランサーの後ろに複数のサーバーを並べておき、ヘルスチェックに失敗したサーバーを振り分け先から外す方法です。
この方式では待機系を起動する必要がなく、残りのサーバーがそのまま処理を受け持ちます。
Azure Load Balancerの資料では、1台だけがプローブに失敗した場合、新しいTCP接続は残りの正常なサーバーへ振り分けられ、失敗したサーバーとの確立済みのTCP接続は続くと説明しています。
| 方式 | 切り替えるもの | 利用者側で起きること | 向いている場面 |
|---|---|---|---|
| 仮想IP | IPアドレスとMACアドレスの持ち主 | 宛先は同じ、スイッチの学習が変わる | 同じネットワーク内の2台 |
| DNS | 名前が指すIPアドレス | キャッシュが切れるまで古い宛先へ向かう | 別のネットワーク・別の地域 |
| ロードバランサー | 振り分け先の一覧 | 新しい接続だけが残りのサーバーへ向かう | 同じ役割のサーバーを複数台並べる |
すべてのサーバーがプローブに失敗した場合は、新しい接続はどこにも振り分けられなくなります(参考6)。
実際のシステムでは、Webサーバーはロードバランサー、データベースはDNSや仮想IP、というように、層ごとに違う方式を組み合わせることが多くあります。
自分のシステムの層ごとに「何を切り替える方式か」を書き出すと、どこでキャッシュや再接続の待ち時間が生まれるかが見えてきます。
切り替えで失われるもの:同期・非同期と接続
4-1. 同期・非同期と、自動・手動・強制の違い
フェールオーバーで失われるデータの量は、主系から待機系へ「どのタイミングで」データを送っているかで決まります。
同期の方式では、待機系に届いたことを確かめてから書き込みを完了にし、非同期の方式では、待機系へ届くのを待たずに完了にしてあとから送ります。
SQL Serverの資料では、強制フェールオーバーのときに主系がまだ送っていないログ(未送信のログ)は、非同期の方式なら常に残っている可能性があり、同期の方式でも同期が終わるまでは残っている可能性があるとしています。
同じ資料では、自動フェールオーバーと計画的な手動フェールオーバーはデータを失わず、どちらも主系と待機系が同期の方式で、待機系が同期済み(SYNCHRONIZED)であることが条件です。
自動フェールオーバーには、さらにクラスターがクォーラム(過半数の票)を持っていることも必要です。
非同期の待機系は手動の強制フェールオーバーしか使えず、データを失うおそれがあるため、資料ではディザスタリカバリ(災害からの復旧)のときに限るよう勧めています(参考8)。
Azure SQL Databaseのフェールオーバーグループも非同期で複製するため、強制フェールオーバーではデータを失う可能性があります。
Microsoftに切り替えを任せる設定では、猶予期間(1時間より短くは設定できない)が過ぎてから強制フェールオーバーが始まるため、少なくとも1時間の停止を許容できる場合に限るよう説明されています(参考9)。
4-2. 処理中の取引と接続:コミット済みは残り、途中は取り消される
データベースのフェールオーバーでは、「コミット(確定)済みの取引」と「途中だった取引」で扱いが分かれます。
SQL Serverの自動フェールオーバーでは、主系がまだ動いていればデータベースを切断状態にしてすべてのクライアントを切り離し、待機系は受け取ったログの残りを適用してから主系になります。
新しい主系は、コミットされていない取引をできるだけ早く取り消し(ロールバック)、コミット済みの取引は取り消しません。
図の例でいえば、確定済みの注文1001は新しい主系にも残りますが、確定の前に切り替えが起きた注文1002は取り消されるため、アプリがつなぎ直してもう一度実行する必要があります。
資料では、切り替えのあとクライアントは現在の主系へつなぎ直す必要があると明記されています(参考8)。
そのため、アプリ側には「接続が切れたら少し待って再接続し、確定していなかった処理だけをやり直す」仕組みを用意しておくことが大切です。
やり直しで同じ注文が二重に登録されないよう、注文番号などで重複を確かめる設計にしておくと安全です。
Webの層でも、ログイン状態を1台のサーバーのメモリーだけに持っていると、切り替え後に利用者がログインし直すことになるので、セッションの置き場所も合わせて確かめます。
フェールオーバーが失敗する・おかしくなる場面
5-1. 検知しない・誤って外す:ヘルスチェックの落とし穴
フェールオーバーのトラブルで多いのは、切り替えの仕組みそのものより、「何を見て止まったと判断するか」がずれているケースです。
Route 53の資料では、HTTPSのヘルスチェックはSSL/TLS証明書を検証しないため、証明書が無効や期限切れでもチェックは失敗しないと説明しています(参考5)。
つまり、利用者のブラウザーでは証明書エラーで使えない状態でも、ヘルスチェックは正常と判定し、切り替えは起きません。
Azure Load Balancerの資料は、プローブを受けたサーバーがそれを別のサーバーへ中継・変換する構成にすると、後ろの1台の失敗で中継機器ごと外され、連鎖的な障害につながると注意しています。
プローブの結果がふらつく場合、ロードバランサーは正常な状態へ戻すまでにわざと長めに待つため、復旧したのに振り分けが戻らないように見えることがあります(参考6)。
対策の基本は、チェックの宛先を「アプリが本当に要求を処理できるときだけ正常を返すページ」にし、証明書の期限は別の監視で見ることです。
切り替えが起きたかどうかは、通知や記録で確かめられるようにしておきます。
RDSでは、イベントの通知を登録しておくとフェールオーバーの開始をメールやSMSで受け取れ、イベントログには「主系のホストがネットワークで到達できない」などの切り替えの理由が残ります(参考4)。
5-2. スプリットブレインと強制フェールオーバーで分かれるデータ
もう1つの危ない失敗が、主系と待機系の間の通信だけが切れ、両方が「自分が主系だ」と思い込んで書き込みを受け付けるスプリットブレインです。
クラスターがクォーラム(過半数の票)を持つ側だけを動かすのは、この状態を防ぐためです(参考2)。
SQL Serverの資料では、強制フェールオーバーをすると「復旧の分岐(recovery fork)」が始まり、元の主系と新しい主系がそれぞれ相手にないデータを持つ状態になると説明しています。
元の主系には送られなかった変更が、新しい主系には切り替え後の変更があり、どちらか一方を正とするだけでは、もう一方の変更が失われます。
強制フェールオーバーの後、元の主系が戻ってくると待機系の役割になり、待機系のデータベースは一時停止(SUSPENDED)の状態になります。
読み取りができる待機系なら、足りないデータを問い合わせて見つけ、新しい主系へ手作業で反映できる場合があります(参考8)。
強制フェールオーバーは「データを失ってもすぐにサービスを戻す」ための最後の手段と考え、だれが判断し、どのデータを照合するかを手順として決めておくことが大切です。
フェールバックと、フェールオーバーでは守れないもの
6-1. フェールバック:元の主系へ戻すときの手順
障害が直ったあと、処理を元の主系へ戻すのがフェールバックです。
元の主系は止まっていたあいだの変更を持っていないので、すぐに戻すのではなく、まず新しい主系に追いつかせてから切り替えます。
SQL Serverで元の主系が戻ると自動で待機系として追いつくのは、自動または計画的な切り替えの後に限られます。
強制フェールオーバーの後は、5-2のとおり待機系のデータベースが一時停止(SUSPENDED)になるため、データベースごとに手動で再開(RESUME)する必要があり、再開すると元の主系だけにあった変更(5-2の図のT102・T103)は捨てられます(参考8)。
次の図は、Azure SQL Databaseのフェールオーバーグループの例です。
Azure SQL Databaseのフェールオーバーグループでは、障害が収まると元の主系が自動で新しい待機系としてつながり、そのあと「データを失わないフェールオーバー」を実行して元の役割へ戻します。
この「データを失わないフェールオーバー」は、主系と待機系のデータを完全に同期してから切り替えるもので、主系に到達できるときだけ使え、本番でのDR訓練にも使えます。
Microsoftに切り替えを任せる設定でも、元の主系へ戻す操作は手動で始める必要があります(参考9)。
Microsoftの資料は、フェールオーバーが始まった後に元の場所で書き込まれたデータがありうるため、その扱いを業務として判断しておく必要があるとしています(参考3)。
フェールバックは利用者の少ない時間に計画して行い、戻した後に書き込みと読み取りができるかを確かめるところまでを1つの作業として扱います。
6-2. 削除・破損・暗号化は待機系にも届く:データが戻らないとき
フェールオーバーは「機器が止まる」障害には強い一方で、「データそのものが壊れる」障害からは守ってくれません。
Microsoftの資料は、データが誤って、またはランサムウェア攻撃などによって削除・上書き・破損されることをリスクの1つに挙げ、バックアップはデータが破損したときにも復旧に使えると説明しています(参考3)。
図のように、同期している待機系は主系の削除もすぐに受け取るので、切り替えても消えたデータは戻らず、戻せるのはバックアップを取った時点までです。
英国NCSCは、ランサムウェアがつながったままのバックアップ用ドライブやクラウドのバックアップまで暗号化した例を挙げ、少なくとも1つのバックアップを常にオフラインにしておくよう勧めています(参考10)。
会社のサーバーやNASでデータが戻らないときは、自分で操作を続ける前に、まず社内の担当者や保守契約先へ報告し、指示を受けてください。
ファイルが暗号化されて開けないなどランサムウェアが疑われるときは、データ復旧の前に、社内のインシデント対応の窓口や、警察のサイバー犯罪の相談窓口などの公的な窓口へ報告してください。
別のバックアップがあるなら、元の場所へ上書きする前に、別のフォルダーや別の機器へ戻して中身を確かめると、二重の失敗を防げます。
個人や小さな事務所のNAS・サーバーでほかにコピーがない場合、電源の入れ直しや初期化、RAIDの再構築をくり返すと状態が変わるおそれがあるため、操作を止めてデータ復旧の専門業者へ相談する方法があります。
相談先の1つに、データ復旧サービスの「デジタルデータリカバリー」があります。
広告主の案内では、PCやHDDに加えてサーバーやNASのデータ復旧にも対応しているとされていますが、お使いの機器や症状に対応しているか、どこまで戻せるかは、相談の前に公式サイトで確かめてください。
こんな方は相談を検討してみてください(会社の機器は社内への報告が先です)
- NASやサーバーのRAIDが認識しない、またはディスクから異音がする
- 電源を入れるとNASやサーバーがエラーを出して起動しない、ディスクを認識しない
- 初期化や再構築を求められたが、中のデータは失いたくない
ランサムウェアからバックアップを守る方法は、次の記事で詳しく解説しています。
データ復旧サービスの選び方や、依頼の前に確かめたい点は、次の記事でまとめています。
よくある質問とまとめ
Q1. フェールオーバーとスイッチオーバーは何が違いますか?
フェールオーバーは障害をきっかけに多くは自動で行う切り替え、スイッチオーバーは点検などの予定に合わせて管理者が同期を確かめてから行う計画的な切り替えです。
Q2. フェールオーバーには何秒くらいかかりますか?
仕組みによって大きく違い、VRRPの既定値なら判定まで約3.61秒、RDSのMulti-AZなら切り替えに通常60〜120秒で、DNSのキャッシュや再接続の時間がさらに加わります。
Q3. フェールオーバーするとデータは失われますか?
同期の方式で待機系が同期済みならコミット済みのデータは失われませんが、非同期の方式や強制フェールオーバーでは、送られていなかった分を失うことがあり、確定前の処理は取り消されます。
Q4. DNSで切り替える場合は何に気をつければよいですか?
レコードのTTLのほかに、アプリや実行環境がDNSの結果をどれだけ覚えるかと、接続が切れたときに自動でつなぎ直すかを確かめておきます。
Q5. フェールオーバーがあればバックアップは要りませんか?
必要で、削除や暗号化は待機系にもそのまま複製されるため、オフラインのバックアップを別に持ち、戻せるかを定期的に確かめます。
サーバーやNASのデータを取り戻したい方へ
NASやサーバーのRAIDが認識しない、またはディスクから異音がする、電源を入れるとエラーを出して起動しない、ディスクを認識しない、初期化や再構築を求められたが中のデータは失いたくない、という機器の異常では、これ以上の操作をする前にデータ復旧の専門業者へ相談する方法があります(会社の機器は社内への報告が先です)。
戻せる保証はなく、対応できる機器や症状は公式サイトで確かめてください。
7-1. まとめ
フェールオーバーは、主系が止まったことを監視で検知し、待機系を主系にして、利用者の宛先を自動で移す仕組みです。
止まる時間は「判定の値」「切り替える方式」「利用者側のキャッシュと再接続」の合計で決まり、失われるデータは同期か非同期か、強制かどうかで決まります。
スプリットブレインや強制フェールオーバーではデータが分かれるため、だれが判断しどのデータを照合するかを先に決めておきます。
そして、削除や暗号化は待機系にも届くので、フェールオーバーとは別にオフラインのバックアップを持つことが欠かせません。
まずは、自分のシステムで図の5つの項目がどこまで決まっているかを、層ごとに書き出してみてください。
参考1:failover – Glossary(NIST CSRC)
参考2:フェールオーバー クラスタリングの概要(Microsoft Learn)
参考3:ビジネス継続性、高可用性、ディザスター リカバリー(Microsoft Learn)
参考4:Failing over a Multi-AZ DB instance for Amazon RDS(AWS)
参考5:How Amazon Route 53 determines whether a health check is healthy(AWS)
参考6:Azure Load Balancer health probes(Microsoft Learn)
参考7:RFC 5798 Virtual Router Redundancy Protocol (VRRP) Version 3(IETF)
参考8:Failover and Failover Modes (Always On Availability Groups)(Microsoft Learn)
参考9:Failover Groups Overview and Best Practices – Azure SQL Database(Microsoft Learn)

