Восстановление начинается еще до аварии.

Как нас учит реальность. Отказоустойчивость проверяется не наличием бэкапов или Terraform, а способностью команды последовательно восстановить работающий сервис. Для этого чаще всего нужны сразу три вещи: инфраструктура как код, актуальная документация и резервные копии, восстановление из которых действительно проверялось. Ну и место конечо.

Вот ребята из KTS рассказали как они подготовились к инцеденту и как из него вылезали. Предварительная подготовка помогла перенести критичные сервисы на другую площадку менее чем за сутки и без потери данных. IaC не стал волшебной кнопкой, но превратил аварийное восстановление из «археологии» в понятную последовательность действий: поднять минимальный контур, вернуть данные, запустить приложения с учётом зависимостей и проверить сквозные пользовательские сценарии.

Хорошее краткое изложение, почему список серверов — ещё не план восстановления, а готовность к отказу начинается задолго до самого инцидента:

Как IaC, документация и бэкапы помогли восстановить сервисы, когда пострадали дата-центры Яндекса.