【教學】如何自動修復 AWS 上故障的 EC2 實例

只要是管理 AWS 多年的維運人員，多多少少都會遇到 AWS (Amazon Web Services) 底層主機故障的問題，這問題會造成 CPU異常、網路不通，等等奇怪現象。而唯一解決辦法就是關閉實例( EC2 )，並再次開啟，讓實例從異常底層轉移到正常主機。

雖然這問題發生的機率不大，處理起來也相當迅速輕鬆，但令人擔憂的是，維運人員通常不會只管少量主機，大多都是一大批或一整群，一旦數量增加，發生這問題的機率也會直線上升，而且，如果運氣不好，發生的時間點又剛好都是在半夜，那可真的要人命。

好在，這也不是沒解決方案的。AWS 裡面其實有個內建小功能，可以再偵測到問題時就自動修復，本章節就是教大家如何在 EC2 實例上建置警報( Alarm )，並在觸發警報時，自動修復主機，進而達到工作量減輕的功效 !

環境

• 雲平台: AWS

設定步驟

Step 1. 進入 AWS EC2 後台

Step 2. 找到要設定的主機

右鍵選擇 Monitor and troubleshoot => Manage CloudWatch alarm

Step 3. 設定 Alarm thresholds 欄位

修改 Type of data to sample 至 Status check failed: either ，Period 就依自身環境需求下去做設定，想要敏感一點，數值就短一點，想要誤判減少就拉長 Consecutive Period 及 Period 的數值

Step 4. 啟用 Alarm action 欄位

找到 Alarm action 並啟用，在下拉欄選擇 Recover 。

使用這設定後，AWS 會在觸發 Alarm thresholds 後，執行 Recover 的動作，具體 AWS 會做什麼事，可以參考 AWS 的 Recover your instance 文件 ，通常就是關閉損壞的實例 ( EC2 ) ，然後在健康的 Host 主機上啟動實例

Step 5. 確認設定，按下 Create ，完成收工 !