Drills de restore de backup em Postgres
O job de backup mostra verde por quatrocentos dias. Chega o evento de ransomware. Ninguém sabe quanto tempo leva um restore completo, se arquivos WAL estão intactos ou qual connection string a aplicação deve usar. Drills de restore em Postgres transformam configuração de backup em recuperação comprovada — cronometrada, documentada, repetida.
Monitoramento reportou sucesso de backup toda noite às 03:00. O incidente foi quinta às 14:00: corrupção de disco primário no volume Postgres de produção. O runbook dizia "restaurar do último snapshot." O último snapshot restaurou em cinquenta e dois minutos — mas segmentos WAL entre snapshot e corrupção estavam faltando no object storage. Janela de perda de dados: nove horas. O backup não estava errado; nunca foi validado end-to-end. Drills de restore de backup em Postgres existem porque configuração de backup e recuperabilidade de backup são propriedades distintas — comprováveis apenas restaurando em ambiente isolado, iniciando o banco, executando smoke tests de aplicação e medindo tempo decorrido contra RPO e RTO documentados.
Recovery Point Objective (RPO) define perda de dados aceitável — até onde a recuperação deve chegar. Recovery Time Objective (RTO) define downtime aceitável — quão rápido o serviço deve voltar. Equipes citam ambos em slide decks. Drills são onde números encontram realidade.
Tipos de backup e o que cada drill deve provar
Durabilidade de Postgres empilha múltiplos mecanismos. Cada um precisa de sua variante de drill.
| Mechanism | What it protects | Drill proves |
|---|---|---|
Dump lógico (pg_dump) | Esquema + dados portáveis | Dump restaura limpo; extensões tratadas |
| Base backup físico | Arquivos completos do cluster em um ponto | Backup inicia; Postgres promove |
| Arquivamento WAL / PITR | Mudanças após base backup | Replay até timestamp alvo |
| Réplica / standby | Cópia quase ao vivo | Promoção e cutover |
| Snapshot de volume | Imagem instantânea em nível de bloco | Consistência após crash + cadeia WAL |
| PITR de serviço gerenciado | Restore de timeline nativo do provedor | Restore em nova instância; conectar app |
Equipe que usa apenas dumps lógicos não pode fazer drill de PITR — e não sobreviverá pedidos de "restaurar dez minutos antes do DELETE acidental." Alinhar escopo do drill com estratégia de backup de produção.
Dumps lógicos destacam em restore seletivo e migração entre versões. São lentos em bancos grandes e não substituem arquivamento contínuo quando RPO é medido em minutos.
Base backup físico mais arquivamento WAL é o padrão para RPO de produção medido em minutos. Fluxo de drill:
1. Restaurar último base backup em host isolado
2. Configurar recovery.target.time ou target LSN
3. Reproduzir WAL do arquivo até alvo
4. Promover (pg_wal_replay_resume ou fim de recovery)
5. Verificar dados + executar checks de aplicação
Estratégia de backup documentada apenas em código de infraestrutura está sem teste até humano executar passos de restore com cronômetro.
Projetar programa de drills de restore
Drills são exercícios operacionais com critérios pass/fail — não turismo de desastre opcional.
Níveis de frequência.
| Drill type | Cadence | Scope |
|---|---|---|
| Smoke de restore automatizado | Semanal | Último backup → SELECT 1, checksum de contagem de linhas |
| Restore completo de aplicação | Trimestral | Restore + smoke de app + test read/write |
| PITR para timestamp arbitrário | Trimestral | Restore para T-15min; verificar estado de linha conhecido |
| Failover completo de região / provedor | Anual | Nova instância, cutover DNS, caminho de rollback |
| Restore lógico em nível de tabela | Semestral | Tabela única de dump em staging |
Ambiente alvo isolado. Nunca fazer drill em hardware de produção compartilhando armazenamento com primário. Usar host de restore dedicado, instância efêmera ou namespace com credenciais distintas. Drills que arriscam mistura de connection strings de produção são cancelados — e nunca reagendados.
Critérios de sucesso definidos. Documentar antes do drill: duração máxima de restore (RTO), lacuna de dados máxima aceitável (RPO), queries de verificação requeridas, health checks de aplicação. Exemplo: "Restore completa em menos de 45 minutos; contagem de orders dentro de 0,1% de produção no início do drill; smoke de idempotência de webhook de pagamento passa."
Papéis e runbook. Operador primário, verificador (contagens de linhas independentes), owner de comunicação se drill toca staging compartilhado com QA. Passos de runbook numerados — sem improvisação sob cronômetro. Disciplina de estratégia de rollback para deploys se aplica ao abort do drill: se restore corrompe staging compartilhado, existe caminho de revert documentado.
Relatório pós-drill. RTO real, RPO real, falhas encontradas, lacunas de runbook, lista de tickets. Armazenar relatórios — auditores e postmortems pedem histórico de drills.
Falhas comuns de restore que drills expõem
Segmentos WAL faltando ou corrompidos. Base backup restaura; recovery para pedindo 000000010000000000000001. Causa: comando de arquivo falhou em silêncio, política de lifecycle deletou WAL cedo, caminho de bucket errado. Fix de drill: alertar em falhas de arquivo; monitorar lacuna WAL; testar restore mensalmente.
Desalinhamento de extensão e versão. Host de restore sem pgvector ou versão minor de Postgres difere. CREATE EXTENSION falha; aplicação em boot loop. Fix de drill: fixar lista de extensões em runbook; imagens de restore coincidem com versão major de produção.
Ownership e permissões. Restore como superuser; papel de aplicação sem GRANT em sequências após dump. Writes falham com erros opacos. Fix de drill: script de restore reproduz role grants; smoke test inclui insert.
Connection string e proliferação de secrets. Instância restaurada acessível apenas via VPN do laptop do operador. Aplicação ainda aponta para primário morto. Fix de drill: documentar checklist de cutover — atualização de parameter store, drenagem de connection pool, check de replica lag.
Timeout de banco grande. Restore excede janela de manutenção; disco enche no host de restore. Fix de drill: dimensionar infraestrutura de restore; stream de object storage; restore paralelo onde suportado.
Restore parcial de dump lógico. Equipe executa pg_restore sem --single-transaction em tabelas relacionadas; violações FK. Fix de drill: flags de restore documentados por tipo de dump.
Cada falha em drill é mais barata que mesma descoberta durante resposta a ransomware.
Script de drill de point-in-time recovery
Drills PITR provam cadeia WAL — lacuna mais comum em "temos backups."
Setup pré-drill (em ambiente isolado):
# Restore base backup into PGDATA
rm -rf /var/lib/postgresql/data/*
tar -xf base_backup_latest.tar -C /var/lib/postgresql/data
# recovery.conf or postgresql.auto.conf
restore_command = 'aws s3 cp s3://wal-archive/%f %p'
recovery_target_time = '2026-07-10 12:00:00 UTC'
recovery_target_action = 'promote'Verificação pós-promoção:
-- Known anchor row inserted before drill cutoff
SELECT id, updated_at FROM drill_anchors WHERE name = 'pitr_test';
-- Must exist if inserted before recovery_target_time
SELECT pg_is_in_recovery(); -- must be false after promote
SELECT count(*) FROM critical_business_table;
-- Compare to expected count at cutoff from pre-drill snapshotRegistrar tempo de relógio de "comando start restore" até "health check de aplicação verde." Comparar com SLA de RTO. Se exceder, drill falha — problema de capacidade ou processo, não medalha de honra.
Integrar drills com migrações e segurança de deploy
Postura de backup e disciplina de migração de esquema interagem. Migração Postgres zero-downtime durante fase expand é forward-compatible — drills de restore devem incluir esquema em múltiplas versões de migração se deploys blue/green atrasam.
Antes de migrações destrutivas em fase contract, executar drill de backup ou verificar âncora PITR dentro do RPO. DROP COLUMN após contract é irreversível sem restore — drill prova que restore alcança estado pré-drop.
Higiene de dados de drill: dados de produção restaurados em staging carregam PII. Mascarar ou subsetar onde possível; restringir acesso de rede; expirar instâncias restauradas após drill. Equipes de compliance cuidam de ambientes de drill tanto quanto produção.
Drills de promoção de réplica diferem de restore de backup — medir replication lag ao promover, risco de split-brain se primário não está totalmente isolado, continuidade de sequência e UUID. Incluir um drill de promoção anual se réplicas são caminho de failover.
Automação vs drills manuais
Automatizar smoke semanal. CI ou job agendado: restaurar último backup em instância efêmera, executar query checksum, derrubar. Alertas em falha. Sinal contínuo barato.
Manter drill completo trimestral manual. Humanos descobrem ambiguidade de runbook que máquinas perdem — subnet errada, papel IAM expirado, on-call sem familiaridade. Automatizar passos de verificação; não aprendizado organizacional.
Exercícios tipo chaos. Game day: simular perda de primário sem aviso a on-call — apenas após smokes mensais passarem. Surpresas revelam lacunas de comunicação; executar apenas com buy-in executivo e critérios de abort.
Armazenar artefatos de drill: logs de restore, métricas de timing, versão de backup usada. Tendência de RTO em trimestres — banco crescente sem infraestrutura de restore crescente aparece em duração de drill antes do incidente.
Monitorar backups entre drills
Drills são prova periódica; monitoramento é higiene contínua. Alertar em condições que predizem falha de drill antes do calendário dizer trimestral:
| Signal | Threshold example | Why it matters |
|---|---|---|
| Idade de base backup | Sem base bem-sucedida em 26 horas | RPO estourado antes de alguém notar |
| Lacuna de arquivo WAL | Segmento faltando > 15 minutos | PITR morto no próximo incidente |
| Pico de duração de job de backup | 2× mediana de sete dias | Disco cheio, contenção de lock, throttle de rede |
| Falha de teste de restore | Smoke semanal vermelho | Corrupção de arquivo ou drift de permissões |
| Anomalia de crescimento de armazenamento de backup | Tamanho plano enquanto writes crescem | Dump vazio em silêncio ou banco errado |
Erros de pg_backup_start / agente | Qualquer falha | Dashboard verde em sucesso parcial |
Monitoramento de backup pertence ao mesmo tier de paging que replication lag — não enterrado em digests de email de infraestrutura. Job de backup que "tem sucesso" enviando arquivo vazio é por que verificação checksum em smoke semanal importa.
Entre drills, documentar mudanças de configuração de backup no mesmo changelog que deploys de aplicação. Extensão adicionada em produção sem atualizar imagem de restore quebra próximo drill da mesma forma que migração sem fase expand quebra deploy.
Como equipes devem executar drills de restore em Postgres?
Respostas operacionais para owners de banco e plataforma.
Que RPO e RTO drills devem fazer cumprir?
RPO/RTO são decisões de negócio — drills fazem cumprir números documentados. Billing SaaS pode exigir RPO abaixo de quinze minutos (arquivamento WAL) e RTO abaixo de uma hora. Analytics interno pode tolerar RPO vinte e quatro horas (dump diário). Drills falham quando recuperação medida excede objetivos declarados.
Como restore difere de failover para réplica?
Promoção de réplica é mais rápida quando replicação saudável — lag de segundos a minutos. Promoção falha se replicação quebrada ou réplica corrompida com primário. Restore de backup é mais lento mas domínio de falha independente. Fazer drill de ambos se ambos estão na estratégia.
Drills devem usar dados de produção?
Fidelidade completa encontra problemas reais de FK e extensão; mascaramento reduz risco de compliance. Padrão comum: backup de produção em VPC isolada com PII mascarada para smoke de aplicação; drill sintético separado para CI semanal.
Quando drills devem bloquear migrações de esquema?
Antes de migrações contract irreversíveis em tabelas críticas, verificar PITR ou snapshot dentro do RPO cobre janela de mudança. Falha de drill bloqueia migração até cadeia de arquivo verificada — mesma porta que revisão de migration lock.
Um argumento comum vai na outra direção
A postura oposta sustenta que serviços de banco gerenciados tornam drills redundantes — provedor garante backups e restore em um clique.
Serviços gerenciados garantem mecanismos, não prontidão organizacional. Restore do provedor ainda exige conhecer timestamp alvo, cutover de conexão, compatibilidade de aplicação e duração — que varia por tamanho de banco e região. Dashboards do provedor mostram backup habilitado; não executam smoke tests de aplicação nem medem se on-call consegue executar cutover sob estresse. Drills validam caminho completo incluindo camada de aplicação — click-ops do provedor é um passo.
Key takeaways
- Métricas de sucesso de backup não são recuperabilidade — apenas drills de restore provam RPO e RTO.
- Alinhar tipo de drill com stack de backup: lógico, físico + WAL, promoção de réplica, PITR gerenciado.
- Drills completos trimestrais com critérios de sucesso cronometrados, papéis e relatórios escritos.
- Smoke de restore automatizado semanal detecta lacunas WAL e arquivos corrompidos cedo.
- Drills expõem desalinhamento de extensões, permissões, cutover de conexão e limites de capacidade.
- Isolar targets de restore; tratar ambientes de drill como dados sensíveis.
- Integrar drills com portas de migração antes de fases contract de esquema irreversíveis.
Conclusion
Drills de restore de backup em Postgres convertem suposições de durabilidade em fatos medidos. O programa é modesto: smoke de restore automatizado semanal, restore completo cronometrado trimestral com verificação de aplicação, critérios pass de RPO/RTO documentados e tickets pós-drill para cada lacuna de runbook.
Equipes com monitores de backup verdes e sem histórico de drills estão a um evento de corrupção de descobrir nove horas de perda de dados. Equipes que fazem drill conhecem número do cronômetro, cadeia WAL está intacta e on-call executou checklist de cutover antes do incidente exigir.