@Rays
2017-03-05T17:08:41.000000Z
字数 1386
阅读 1954
Amazon
摘要： 由一次人为失误引发的连锁反应导致了很多S3服务器宕机，其中包括两个影响S3运行的关键子系统。由此导致了S3的故障，影响到了不仅S3本身还有其他一些依赖S3的服务。四个小时后S3才重新恢复正常。
作者： Abel Avram
正文：
由一次失误引发的连锁反应导致了很多S3服务器宕机，其中包括两个影响S3运行的关键子系统。由此导致了S3的故障，影响到了不仅S3本身还有其他一些依赖S3的服务。四个小时后S3才重新恢复正常。
Amazon AWS故障十分罕见，一旦发生整个因特网都能感受得到，不少服务会直接受到影响。近期这次故障于2月28日发生在北弗吉尼亚地区（US-EAST-1）。不仅S3运行瘫痪了，而且波及一系列依赖S3的AWS服务，包括EC2、EFS、API Gateway、Athena、Cloudsearch、MapReduce等。这些服务要么是在功能上出现大量错误，要么是完全无法工作。
在四个小时的瘫痪期间，据报告有不少企业服务下线或是受到严重干扰，包括Expedia、GitLab、GitHub、GroupMe、IFTTT、Medium、Nest、Quora、Slack、The Verge、Trello、Twitch、Wix等。就连Amazon自身的Alexa也出现故障了，导致AWS状态仪表盘有两个小时未实时更新。Amazon借助Twitter发布错误报告，期间他们只得为状态页面临时添加一个手工编辑的横幅。
Amazon事后给出了对该次事件分析的诊断报告。当时有一个Amazon团队正在调试S3的计费问题，有人想要输入一条命令，从S3的一个计费子系统中删除一小部分服务器。但是这个工程师输入了错误的命令，导致了大量的S3服务器关闭，包括两台在另外两个子系统中起关键作用的S3服务器。其中一个子系统是为整个区域的S3提供索引服务的，影响到GET、PUT、LIST和DELETE命令；另一个子系统用于S3部署，涉及新对象的空间分配。因为这两个子系统停止工作，S3的功能产生了大量错误，影响到很多用户。
虽然AWS具备快速恢复单个子系统故障的操作规程，但是由于索引子系统已经有数年从未重启过，索引已增长得十分庞大，因此还是需要相当长的重启事件。虽然功能最终得以恢复，但是比预想的要慢。Amazon已经计划今年稍后会对索引子系统进行分区，将索引分区为更小的块，使得重启更加快速。现在他们已经立刻着手进行分区，为将来可能发生的瘫痪情况做好准备。他们对工具做了修改，限制了每条命令可以关闭的服务器数量，还限制使用单个命令关闭整个子系统。他们还将在多个区域实现分布式的S3仪表盘，以确保在一个区域停止服务时仪表盘依然保持工作。
Amazon在2011年曾经历过一次瘫痪，也是发生在US东部区域，那一次瘫痪了4天时间。从两次故障中学习到的并得以应用的基本经验教训是，系统创建不应仅依赖在单一区域上，如果当前区域发生故障，可以切换到其他区域。Netflix已经这样部署了，其他系统同样也可以。但是这会增加网络主机服务费，企业总是倾向于尽量地降低费用。总体来说，Amazon AWS是可靠的，但是服务总不可避免会有瘫痪情况。所有云服务提供商皆是如此。