Pourquoi les backups divisent les développeurs

Les backups ne divisent pas sur la technique mais sur la responsabilité : qui répond quand la copie existe et que la restauration prend trois jours ? RPO, RTO et preuve de restauration.

Pourquoi les backups divisent les développeurs

Le désaccord porte sur la restauration, pas sur la copie

Demande à dix développeurs ce qu'est un bon backup et tu obtiendras dix réponses qui ne parlent pas de la même chose. Les uns décrivent une copie qui existe quelque part, horodatée, chiffrée, dans un bucket. Les autres décrivent un système capable de remettre le service en ligne.

Ces deux définitions ne s'affrontent pas sur la technique. Elles s'affrontent sur la responsabilité : qui répond quand la copie existe mais que la restauration prend trois jours ?

Cas concret : une base Postgres de 800 Go sauvegardée chaque nuit avec pg_dump. La copie est là, vérifiée, chiffrée, poussée hors site. Le jour où il faut la rejouer, l'import prend six heures et le service reste à l'arrêt tout ce temps.

Techniquement, la sauvegarde a réussi. Opérationnellement, elle a échoué.

C'est exactement là que le débat dérape. Chacun défend son outil alors que le vrai sujet est le temps d'indisponibilité acceptable, et personne n'a écrit ce chiffre nulle part.

Deux camps, deux métriques : RPO contre RTO

Le camp « c'est un problème résolu » raisonne en RPO : combien de données puis-je perdre ? Une sauvegarde toutes les heures répond à la question, on passe à autre chose, le sujet est classé.

Le camp « tes backups ne valent rien » raisonne en RTO : combien de temps avant de servir à nouveau ? Et là, la sauvegarde horaire ne dit rien. Elle ne dit pas si la restauration prend vingt minutes ou une demi-journée, ni si quelqu'un sait relancer la procédure à 3 h du matin.

Une base de 50 Go restaurée depuis un dump compressé sur un SSD NVMe local met quelques minutes. La même base sur un volume réseau, avec un décompresseur à un seul thread et les index à reconstruire, met une heure. Même backup, même RPO, RTO multiplié par douze.

Tant que la discussion reste sur le RPO, le camp « problème résolu » gagne toujours. Dès qu'on parle de RTO, c'est l'autre camp qui a raison.

Le snapshot qui dépend de la panne qu'il doit couvrir

Le point de friction le plus violent concerne les snapshots de volume. Ils sont rapides, quasi gratuits, intégrés au fournisseur, et c'est précisément ce qui les rend suspects.

Un snapshot stocké dans le même compte cloud que l'instance qu'il protège ne couvre pas la suppression accidentelle du compte. Un snapshot pris par l'hyperviseur ne survit pas à la perte du datacenter. Une sauvegarde chiffrée avec la même clé KMS que la production est aussi accessible que la production.

La règle 3-2-1 de Backblaze existe depuis 2009 et reste la meilleure grille de lecture : trois copies, deux supports, une hors site. Un snapshot dans le même compte cloud ne coche aucune des trois cases de façon honnête.

Je ne dis pas qu'il faut s'en passer. Je dis qu'un snapshot est un outil de rollback rapide, pas une stratégie de sauvegarde. Confondre les deux revient à installer un détecteur de fumée et à supprimer la porte de secours.

Ce que coûte un backup jamais rejoué

L'incident GitLab du 31 janvier 2017 est le cas d'école, et il reste utile parce que la panne n'était pas exotique. Une suppression accidentelle de la base de production, puis cinq mécanismes de sauvegarde qui échouent l'un après l'autre : le dump pg_dump corrompu, les snapshots S3 vides, le dossier de backups sur le serveur lui-même, et un répertoire /var/opt/gitlab/backups effacé avec le reste.

La restauration s'est faite depuis un snapshot LVM vieux de six heures pris sur un environnement de staging. Le postmortem public liste 18 heures de données perdues et une restauration en plusieurs étapes.

Retiens le détail qui compte : les cinq mécanismes étaient configurés. Aucun n'était vérifié. Le problème n'était pas l'absence de backup, c'était l'absence de preuve.

Le chapitre Data Integrity du SRE Book de Google pose la même conclusion en une phrase : une sauvegarde dont la restauration n'est pas testée régulièrement ne doit pas être comptée comme une sauvegarde.

Un backup est un contrat, pas un script

La position que je défends tient en une ligne : arrête de vendre un script, signe un contrat. Le contrat contient trois choses : un RPO chiffré, un RTO chiffré, et une preuve de restauration datée de moins de 90 jours.

Concrètement, avec pgBackRest, la vérification se lance en une commande et sort en code retour exploitable :

pgbackrest --stanza=prod --repo1-path=/srv/backup check
pgbackrest --stanza=prod --type=full --target-action=promote restore
psql -c "SELECT count(*) FROM orders WHERE created_at > now() - interval '1 hour';"

La troisième ligne est la plus importante : elle ne vérifie pas que le fichier existe, elle vérifie que la donnée attendue est là. C'est cette ligne qui distingue une sauvegarde d'un fichier.

Si tu débutes sur le sujet, la mécanique de base (pg_dump, rétention, chiffrement, copie hors site) est détaillée dans le guide pratique des backups. Et si ton stockage repose sur des volumes, la question du snapshot se traite avec celle de la mise en place des volumes persistants.

Pour l'archivage continu et le PITR, la documentation officielle Postgres reste la référence : WAL archivé, restauration à un instant précis, et surtout la possibilité de rejouer jusqu'à la seconde qui précède l'incident.

« On n'a pas le temps » : l'objection qui tient à moitié

L'objection classique est recevable sur la forme : un test de restauration complet bloque des ressources, demande un environnement isolé, et ne produit rien de visible pour l'utilisateur. Sur une équipe de trois personnes, c'est une journée par trimestre.

Elle tient à moitié parce qu'un test complet n'est pas le seul format possible. Un test partiel — restaurer la dernière sauvegarde d'une seule table critique dans un conteneur jetable — prend vingt minutes et détecte l'essentiel des défaillances réelles : fichier tronqué, clé absente, chemin de montage oublié.

L'objection ne tient plus du tout quand on la met en face du coût d'un désastre. Une journée de dev par trimestre contre trois jours d'arrêt de service, le ratio n'a jamais été discutable.

L'autre moitié de l'objection, plus honnête, est celle-ci : personne ne veut porter la responsabilité du test. Un backup non testé est un problème latent sans propriétaire. Le nommer dans le contrat, avec une date de dernier test visible, règle le problème mieux que n'importe quel outil.

Comment trancher en vingt minutes

Trois questions, posées dans cet ordre, suffisent à sortir du débat stérile.

  • Quel RTO as-tu promis, et à qui ? S'il n'est écrit nulle part, tu n'as pas de backup, tu as une intention.
  • Quand as-tu restauré pour la dernière fois, et sur quel environnement ? La réponse est une date, pas un « ça a été testé ».
  • Qui décroche à 3 h du matin ? Une procédure sans nom au bout est une procédure qui n'existe pas.

Le camp « c'est un problème résolu » a raison sur un point : la technique est résolue, les outils sont matures, les coûts sont connus. Le camp « tes backups ne valent rien » a raison sur le point qui décide : sans restauration datée, la copie n'a aucune valeur démontrée.

Les deux camps parlent de la même chose et se trompent l'un l'autre. La sortie du débat ne passe pas par un meilleur outil, elle passe par un chiffre écrit et une date de test.