阿里云史诗级故障原因找到了！

你好，我是 EarlGrey，一名双语学习者，会一点编程，目前已翻译出版《Python 无师自通》、《Python 并行编程手册》等书籍。

点击上方蓝字关注我，在后台回复“books”，即可领取超值优质电子书合集。

整理：程序员的那些事，参考：云头条、知乎

2023 年 11 月 12 日，阿里云出现了一次史诗级故障，影响甚广。

近日网上曝光了阿里云发给客户的一份“故障分析报告”。

影响范围

1、OSS、OTS、SLS、MNS 等产品的部分服务受到影响，大部分产品如 ECS、RDS、网络等运行不受影响。

2、云产品控制台、管控 API 等功能受到影响。

时间

2023 年 11 月 12 日 17:39～19.20，故障时间为 1 小时 41 分。

问题概况

2023 年 11 月 12 日 17:39 起，阿里云云产品控制台访问及管控 API 调用出现异常、部分云产品服务访问异常，工程师排查故障原因与访问密钥服务 (AK) 异常有关。工程师修订白名单版本后，采取分批重启 AK 服务的措施，于 18:35 开始陆续恢复，19:20 绝大部分 Region 产品控制台和管控 API 恢复。

处理过程

17:39：阿里云云产品控制台访问及管控 API 调用出现异常。

17:50：工程师确认故障是 AK 服务异常导致，影响云产品控制台、管控 API 调用异常，以及依赖 AK 服务的云产品服务运行异常。

18:01：工程师定位到根因。

18:07：开始执行恢复措施，包括修订白名单版本、重启 AK 服务。

18:35：杭州等 Region 开始恢复正常。

19:20：绝大部分 Region 的云产品控制台和管控 API 调用恢复正常。

原因

访问密钥服务 (AK）在读取白名单数据时出现读取异常，因处理读取异常的代码存在逻辑缺陷，生成了一份不完整白名单，导致不在此白名单中的有效请求失败，影响云产品控制台及管控 API 服务出现异常，同时部分依赖 AK 服务的产品因不完整的白名单出现部分服务运行异常。

改进措施

1、增加 AK 服务白名单生成结果的校验及告警拦截能力。

2、增加 AK 服务白名单更新的灰度验证逻辑，提前发现异常。

3、增加 AK 服务白名单的快速恢复能力。

4、加强云产品侧的联动恢复能力。

网友评论

@XYC：

坏消息：降本增效到了深水区。

好消息：阿里往社会输送的是真人才。

@易希

一个坏消息和 3 个好消息。

坏消息是发生了史诗级的故障。

好消息 1: 拥有了其他云不具备的处理史诗级故障的能力。

好消息 2: 已经发生过一次概率为百万分之 3 的故障了，下次发生故障是千年以后的事情了，现在大家可以放心用了。

好消息 3: 这次真正的抓住了用户痛点。

@王万德

裁员的后遗症。

裁员总是先裁一线干活的，留下擅长写 ppt 和敢于吹牛的人。

其中“敢于吹牛的人”是最隐蔽，但是危害最大的。他们往往敢于把自己伪装成专家，欺骗外行（在互联网公司里，外行是那些高管），升职加薪，获得裁员“豁免权”，从此再也没办法被清除。

@乐扣盒子

又想到了 360 大佬的话，公司做大了之后会有死海效应，做实事的往往会最先离职，都蒸发了，最后留下的都是混日子的老油条，包括管理层也一样。

阿里云上一任 CEO 的原话是：我不关心技术，技术不值钱，我关心的是成本。

这次事故可能把阿里最后的护城河填平了。

***

我创建了一个同名知识星球，目前会在星球内连载发布国外名家的文章和书籍，近期已更新了《埃里克叔叔谈个人成功的模型》前3章。星球和公众号内的所有翻译文章，均为个人学习使用，请勿用于商业用途。

后面我还会陆续增加其他内容和服务，欢迎大家监督和关注。

- EOF -

推荐阅读  点击标题可跳转

1、VS Code 变身小霸王游戏机！

2、认知升级：模型与范式转换

3、超赞的 Python 编译器，单核提速100倍

4、高效的终极秘诀

5、Python 3.12 版本有什么变化？

                                           分享、在看、点赞，3连