一 故障回顾
2023年过去了,23年是一个非常艰难的一年,各大互联网故障不断,裁员不断;跟大家分享一下23年的各个公司的故障回顾
1 2023-03-29唯品会
故障描述:2023-03-29 00:14~12:01 唯品会329机房宕机12小时P0级故障,业绩损失超亿元,影响客户800多万
故障原因:南沙机房重大故障的主要原因是南沙 IDC 冷冻系统故障导致机房设备温度快速升高宕机,造成线上商城停止服务。
故障影响:持续 12 个小时,由于崩溃时间太长,影响了很多消费者无法正常下单,导致公司业绩损失超亿元,影响客户达 800 多万,公司将此次故障判定为 P0 级故障。与此同时,唯品会认为此次事故暴露出容灾应急预案和风险防范措施不到位,并决定对此次事件严肃处理。对基础平台部负责人做了免职处理。
2 2023-03-29 腾讯广州机房故障14+小时
故障描述:00:23~15:00 腾讯广州机房故障14+小时 因制冷系统故障,容灾处置中。
故障原因:本次事故由广州电信机房冷却系统故障导致,腾讯将其定义为公司一级事故。为此,腾讯对相关部门和领导进行了严肃的问责和处罚,其中包含公司高级执行副总裁、TEG(技术工程事业群)总裁卢山(LS)和 WXG(微信事业群)副总裁周颢(harveyzhou)在内的管理者承担领导责任,被予以通报批评。卢山目前为腾讯总办(腾讯总经理办公室,为公司最高决策机构)成员。此外,TEG 华南数据中心的两位总经理和总监被处以降级和免职处罚,WXG 技术架构部的两位总监和组长当期绩效考核给予 Underperform 等评级(二星级别,最高为五星)。腾讯管理层认为,这次故障暴露了公司在容灾设计和应急预案方面存在的不足,有关业务部门的风险防范意识不到位。
故障原因:制冷系统包括了冻水系统和蓄冷系统;利用蓄冷+电力的差价进行削峰填谷;但是因为控制失误导致了故障。
3 2023-06-08 广东电信故障
6月8日晚间,广东省通信管理局紧急召集广东电信、广东移动、广东联通广东广电、广东铁塔相关负责人就广东电信突发网络故障及应急处理情况召开网络运行安全紧急调度会。广东省通信管理局党组书记、局长蔡立志要求广东电信深入查明原因,做好后续处置,加强网络运行保障。
广东电信网络罕见地出现了5小时的大面积断网事件,引发社会各界的关注。此次故障的原因目前尚未得到官方的解释,但是从独立电信分析师付亮的看法来看,应该是广东电信核心网某个关键模块出现了故障。此次事件对亿万用户的生产和生活都带来了严重影响,同时也必须引起政府和电信企业等相关方面的重视。为此,应加强电信网络的基础设施建设和安全防护,确保人们的网络使用畅通无阻,避免重大电信网络故障的再次发生。
4 2023-7-6 boss直聘故障
7月6日上午,BOSS直聘APP出现短时间服务异常,经过团队抢修已恢复正常。期间为用户带来的不便我们深表歉意。我们将持续优化服务保障。感谢大家一直以来的关注与支持。
4 2023-07-26 小红书iOS版APP大规模闪退
7月27日凌晨,社交应用小红书的iOS版本出现大规模闪退问题,用户反映卸载重装也无法解决。对此,小红书客服在微博上回应称,这是由于技术故障引起的。他们建议用户遇到无法启动的情况时,可以前往App Store下载最新版本(版本号7.97.2)。部分网友表示,更新后应用可以正常使用。
故障原因:客户端重大缺陷 + 处置不合理引发新的崩溃:线上存在部分业务Crash,只能卸载重装或升级App版本解决。
5 2023年10月23日 语雀故障
6 2023年11月12日阿里云故障
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。
https://help.aliyun.com/noticelist/articleid/1064981333.html
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。
7 2023年11月27日滴滴故障
事件回顾:11月27日晚,滴滴出行对当天晚间滴滴App服务出现异常进行了回复,滴滴出行称,由于系统故障,今天晚间滴滴App服务出现异常,经技术紧急修复,目前正陆续恢复中。截至27日晚23时28分,经多人测试,该状况尚未恢复。
原因:更新的 kubernetes master 组件版本与预期的版本不一致,导致一个大集群中的容器全部宕机,两个版本分别为 v1.12 和 v1.20。滴滴弹性云内部的 kubernetes 版本升级在两个月以前就已经在所有机房升级完成,整个升级过程中0故障且业务无感知。kubernetes v1.20版本已经在滴滴弹性云中稳定运行了几个月。因此此次故障猜测是由于误操作导致 kubernetes master 组件由 v1.20 回退至 v1.12 导致。
8 12月3日 腾讯视频故障
-
客户端故障:小红书 -
业务服务故障:腾讯视频、语雀 -
基础服务:阿里云 -
基础平台:滴滴 -
基础设施:腾讯、唯品会
-
越是底层的故障,影响越大
-
越是影响大的故障,往往越简单
熟悉的人都走了,写ppt的人留下了;现在是一个非常卷的时代,因为增长点没有了,很多人就开始疯狂内卷,卷什么呢?卷ppt。越是重大故障其实越简单,越简单的事情越难晋升。越是花哨的东西越没用,越没用的东西越好晋升,就陷入到这个无限死循环中。
其实在腾讯和唯品会的故障中,出发点是好的都是为了降低成本所以采用了。南沙这次故障其实本意出发点是好的。制冷系统包括了冻水系统和蓄冷系统;利用蓄冷+电力的差价进行削峰填谷;但是因为控制失误导致了故障。
四 故障经验
大道至简:越是重大的故障其实越是简单;越是简单的手段其实越有效
华为云的干冰预案,华为云有好几次来冷却系统出问题的时候依然能保障机房的问题,这里有一个非常非常重要的预案就是干冰,机房储备了大量的干冰来保障。方案很简单单就是有效
至简难收: 简单的事情往往有很难得到职级和薪资待遇的提升。
这里我们可以各种公司的各种ppt各种花哨。但实际上有多少效果不得而知
是骡子是马,拿出来溜溜;技术优越感到头来忽悠的只是自己前10年百度以技术号称,百度掉队了现在阿里以技术号称,阿里开始退缩了滴滴、小红书、腾讯;每个公司都在尽力输出自己的技术优越性,无疑不命中了故障自己讲多自己就信了,不要在输出技术优越感了,因为输出的越多,迷惑的只能是自己,做了4分,输出10分,到底行不行只有试过才知
五 更多细节整理
2023-10-23语雀故障原因解读和数据可靠性的思考和分享
更多内容欢迎关注微信公众号“SRE说”
原文始发于微信公众号(SRE说):2023年中国互联网故障总结之九大故障