Une entreprise utilise AWS CodePipeline pour déployer une application sur un groupe Amazon EC2 Auto Scaling. Toutes les ressources sont définies dans des modèles CloudFormation. Les artefacts de l'application sont stockés dans Amazon S3 et déployés à l'aide de scripts user data d'instance. À mesure que l'application a évolué, des modifications récentes apportées aux modèles CloudFormation ont entraîné des temps d'arrêt inattendus. Comment l'architecte de solutions devrait-il améliorer le pipeline CI/CD pour réduire la probabilité que les modifications de modèle provoquent des pannes ?

La bonne réponse améliore la robustesse du pipeline CI/CD en introduisant plusieurs couches de validation et de déploiement sécurisé. L'ajout de tests automatisés avec CodeBuild dans un environnement de test permet de détecter les problèmes tôt. L'utilisation des change sets CloudFormation offre une prévisualisation des modifications, réduisant les surprises. Enfin, l'intégration d'AWS CodeDeploy avec un déploiement bleu/vert est cruciale car elle permet de basculer progressivement le trafic vers la nouvelle version, de valider son fonctionnement en production et de revenir rapidement à l'ancienne version en cas de problème, minimisant ainsi les temps d'arrêt. Les autres options sont moins complètes : La première option se concentre sur la détection d'erreurs pendant le déploiement et des tests manuels, ce qui est réactif plutôt que proactif et ne prévient pas les pannes. La troisième option propose la validation de syntaxe et des tests manuels, ce qui est insuffisant pour prévenir les problèmes complexes de compatibilité ou de comportement. La quatrième option remplace les scripts user-data mais dépend toujours de tests manuels sur les nouvelles instances, ce qui est lent et sujet aux erreurs.