テーマ別の解説テーマ:イベント処理の障害調査
SQSのDLQにメッセージがたまる|原因を分けて再送の可否を決める
隔離されたメッセージを一括で戻す前に、失敗理由を分類します。 直せる一時障害と、同じ入力で失敗し続けるケースを分けます。
この教材で学ぶこと
直せる一時障害と、同じ入力で失敗し続けるケースを分けます。
先に知っておくこと
SQS標準キューの架空の例です。実メッセージや本番環境は扱いません。
隔離の記録を再開の判断に変える
SQSのDLQは、ソースキューで処理できなかったメッセージを隔離する場所です。受信上限や保持条件と併せて読みます。
- 隔離 → 原因分類元の結果を照合
- 原因分類 → 検証改善を実証
- 検証 → 再送判断影響を監視
- 隔離
- 失敗回数の条件に達した
- 原因分類
- 一時障害か入力不正か
- 検証
- 修正後と重複防止を確認
- 再送判断
- 対象と停止条件を限定
三つのエラー群の再送を分ける
| 群 | 確認結果 | 決定 |
|---|---|---|
| X | 外部依存の一時停止。復旧済み | 合成で結果を確かめて限定再送を検討 |
| Y | 必須項目がない | 同じ入力のままなら保留 |
| Z | 途中で業務を確定したか不明 | 業務キーを照合するまで保留 |
| 期限 | 保持期限に近いものあり | 担当と優先度を明示 |
再ドライブを行うことと業務が成功することには別の検査が必要です。元の失敗条件が残った対象を戻すと、同じ障害を繰り返すおそれがあります。
戻す条件を明記する
受信回数と失敗理由を対応付ける。 対象期間と入力版を固定し、DLQへ移動した観測と処理ログの発生時刻をそろえます。
保持期限も別に確認。 標準キューでは元の投入時刻が保持期間に関係します。隔離時刻だけから残り期間を決めません。
限定した再送を計画。 本来の結果と負荷を定義し、再失敗や重複が出たときに後続を止められる条件を決めます。
固定例で確認する
選択すると、正誤と理由が表示されます。
確認して、自分の言葉で説明する
- 隔離した群ごとに失敗理由を分類する。
- 確定済みかと期限を確認する。
- 再送の範囲と停止条件を決める。
理解を確かめる: DLQの件数がゼロになれば回復していますか?
移動や期限と業務処理の結果を別に確認します。
隔離キューの件数は終了した業務を示すものではありません。
出典と確認した条件
説明に用いた公式資料を、確認した内容・条件と本文の参照箇所に分けてまとめています。専門家による監修・実際のAWSとの比較検証は行っていません。
確認した内容・条件DLQ隔離、受信回数、再ドライブ、保持期間。