自动化 AWS DRS 代理的完整生命周期：安装、修复与下线
内容提要
本文介绍如何利用 AWS Systems Manager 自动化文档与 EventBridge，根据 EC2 标签自动管理 AWS DRS 复制代理的完整生命周期：当标签 DR=yes 时，每 30 分钟安装并修复代理、保持其注册状态；复制停滞时先重启服务，失败则原地重装，若仍非代理问题则转 SNS 告警；当 DR=no 或删除标签时，先执行安全检查，再停止复制、删除源服务器并卸载代理，同时记录计费是否真正停止。该方案无需 Lambda，包含三层 RPO 保护及审计监控。
延伸解读
标签驱动的生命周期管理
方案用单个 EC2 标签 DR 的值决定代理生命周期阶段：yes 表示受保护，每 30 分钟安装并修复代理；pause 表示静默，保留代理但抑制告警并阻止下线；no 或删除标签则触发下线。其他值视为配置错误，自动化会跳过并记录 SKIPPED_MISCONFIGURED，避免误操作。标签值会先规范化（去空格、转小写），因此 DR=Yes 也能正确匹配。这种设计让运维只需改标签，无需手动调用多个接口。
三层 RPO 保护的实际边界
文章用三层机制保护客户配置的 15 分钟 RPO 目标，但明确这不是 AWS 服务保证。第一层是操作系统服务自动重启，Linux 几乎即时，Windows 默认延迟 30 秒；第二层依赖 EventBridge 跨区域转发停滞事件，触发重启或原地重装，耗时取决于环境与 DRS 停滞检测延迟；第三层 State Manager 每 30 分钟兜底，已超过 15 分钟目标，只能作为安全网。重装可能触发块级重扫描，大容量磁盘可能暂时超出 RPO 窗口。
下线时关注计费是否真正停止
下线文档在拆除前会做标签复查、已终止实例保护和可选审批门，然后记录复制状态、停止复制、删除源服务器并卸载代理。完成后根据实际结果输出状态：COMPLETED 表示源服务器已删除、计费停止；BILLING_STOPPED_ORPHAN 表示复制已停但删除未成功，需人工删除；FAILED 表示停止复制未成功，计费可能仍在；NO_SERVER 表示实例未注册，属于干净的空操作。此外还会检查活动恢复实例，因为恢复实例的 EC2 计费在源服务器删除后仍会继续。
部署与安全上的关键约束
方案无需维护 Lambda，逻辑放在 SSM Automation 文档中，由 EventBridge 或 State Manager 触发。部署前需准备源区域和 DR 区域、跨区域 TCP 443 与 1500 连通性、实例配置文件附带指定策略，以及现有 SNS 主题。建议先在审计模式运行，确认 S3 审计报告符合预期后再小范围开启安装和下线。IAM 角色遵循最小权限，Run Command 仅限 DR=yes 实例，且不存储长期凭证。删除自动化基础设施不会停止复制，DR=yes 实例仍会继续复制。
Q&A
如何用EC2标签控制AWS DRS代理的安装、修复和下线？
通过EC2实例上的DR标签值决定自动化行为：DR=yes时，每30分钟安装并修复代理、保持注册健康；DR=pause时，代理保持安装但抑制停滞告警并阻止下线；DR=no或删除标签时，执行安全检查后停止复制、删除源服务器并卸载代理；其他值视为配置错误，自动化跳过并记录SKIPPED_MISCONFIGURED状态。
AWS DRS代理复制停滞时，自动化修复流程是怎样的？
当DR区域检测到复制停滞并发出STALLED事件，EventBridge转发规则将事件跨区域发送到源区域，触发DRS-Agent-Heal文档。该文档先检查停滞标志和标签状态，然后重启代理服务；若重启无效，则原地重新安装代理（保留驱动状态）。对于非代理原因（如带宽限制、复制服务器过小），则通过SNS升级给运维人员。
下线DRS代理时如何确保计费真正停止？
下线文档在拆除后检查实际结果并记录状态：COMPLETED表示源服务器已删除、计费停止；BILLING_STOPPED_ORPHAN表示复制已停止但删除未成功，需手动删除；FAILED表示停止复制失败，计费可能仍活跃；NO_SERVER表示实例未注册为源服务器，无操作。审计报告会记录这些状态，帮助确认计费是否停止。
这个方案如何保护15分钟的RPO目标？
通过三层防护：第一层是操作系统服务自动重启（秒级），Linux使用systemd Restart=always，Windows使用服务恢复；第二层是EventBridge触发的修复（分钟级），检测到停滞事件后重启或重装代理；第三层是State Manager每30分钟的后备检查，捕获漂移和边缘情况。三层互补覆盖不同故障模式。
部署这个自动化方案需要哪些前提条件？
需要：具有管理权限的AWS账户；配置源区域和DR区域；在源区域和DR区域初始化AWS DRS；区域间开放TCP 443和TCP 1500网络连接；可选VPC端点；部署CloudFormation栈的IAM权限（包括CAPABILITY_NAMED_IAM和iam:PassRole）；每个源EC2实例的实例配置文件附加AWSElasticDisasterRecoveryAgentInstallationPolicy和AmazonSSMManagedInstanceCore策略；现有的SNS主题；可选S3桶用于审计报告；以及Git、Bash 4+和yq工具。
如何避免自动化在DR演练期间误操作？
通过设置停机标志（Parameter Store中的/drs/control/event-in-progress）为true，可以暂停所有自动化动作。在声明的DR事件期间，将标志设为true；事件结束后设为false恢复。此外，标签值允许列表、终止实例保护、并发锁等安全防护也能防止意外操作。
这个方案如何实现监控和审计？
通过三个渠道：SNS通知发送给值班团队（onboarding仅在需要干预时通知，heal成功和需干预都通知，offboarding各阶段通知）；S3审计报告为每个生命周期事件生成JSON对象，包含实例ID、主机名、平台、源服务器ID、状态和拆除前复制状态；CloudWatch指标提供Outcome指标（1=已处理，0=需关注），按事件类型维度展示队列健康。
