AWS Elastic Disaster Recovery (DRS) でレプリケーションが停止してしまった際の原因調査方法を教えてください

困っていること

AWS Elastic Disaster Recovery (DRS) を利用して別リージョンに EC2 インスタンスのレプリケーションを実施しています。
しかしながら、DRS コンソールからレプリケーションステータスを確認したところ「停滞」という表示が出ており、レプリケーションが停止してしまっている状況に見受けられました。
原因の調査方法を教えてください。

どう対応すればいいの？

レプリケーションステータスが「停滞」(Stalled)となっている場合、ソースサーバからレプリケーションサーバへのデータレプリケーションが正常に実行できていないことを示しています。
そのため、以下の観点から調査を実施してください。

• ソースサーバ上で DRS のエージェントが起動しているか
• ソースサーバからレプリケーションサーバへ TCP ポート 1500 で正常に疎通可能な状況にあるか

調査方法

ソースサーバ上で DRS のエージェントが起動しているか

何かしらの原因によってソースサーバ上の DRS エージェントが停止してしまった場合、レプリケーションステータスが「停滞」と表示される可能性があります。^[1]
そのため、ソースサーバ上で以下のエージェントサービスが正常に起動しているかをまず確認してください。

Linux の場合

aws-replication-agent.service

Windows の場合

AwsReplicationService

ソースサーバからレプリケーションサーバへ TCP ポート 1500 で正常に疎通可能な状況にあるか

エージェントが正常に起動しているにも関わらず、レプリケーションが停止してしまっている場合は、ソースサーバからレプリケーションサーバへの通信経路に問題が発生している可能性があります。
まずソースサーバに接続し、以下のコマンドでエージェントのログファイルから接続先のレプリケーションサーバを特定してください。

Linux の場合

sudo cat /var/lib/aws-replication-agent/agent.log.0 | grep :1500 | tail -n 1

※replicatorAddress に表示されている値が、通信先レプリケーションサーバの IP アドレスになります

Windows の場合

findstr /L ":1500" "C:\Program Files (x86)\AWS Replication Agent\agent.log.0"

レプリケーションサーバを特定したら、続けて以下コマンドで当該インスタンスへの疎通を確認します。

Linux の場合

nc -vz ＜レプリケーションサーバのIPアドレス＞ 1500

Windows の場合

Test-NetConnection ＜レプリケーションサーバのIPアドレス＞ -Port 1500

Connection timed out になるなど、正常に結果が返ってこなかった場合は経路上のネットワークリソースの設定を見直します。
具体的には以下の設定状況を確認し、ソースサーバからレプリケーションサーバへの TCP ポート 1500 での通信が可能であるかを順番に調査してください。

• ソースサーバ上のファイアウォール設定(有効化している場合)
• ソースサーバおよびレプリケーションサーバのセキュリティグループ
• ソースサーバおよびレプリケーションサーバが稼働しているサブネットのネットワーク ACL
• ソースサーバおよびレプリケーションサーバが稼働しているサブネットのルートテーブル
• インターネット経由でのレプリケーションを実施している場合
  • ソースサーバが NAT ゲートウェイなどを通してインターネットへ出れる環境にあるか
  • レプリケーションサーバがパブリックサブネットに配置されているか

脚注

1. AWS DRS recovery dashboard ↩︎