代碼拼寫錯(cuò)誤刪微軟數(shù)據(jù)庫，癱10小時(shí)。-世界聚看點(diǎn)

2023-06-17 22:03:24來源：擴(kuò)展迷EXTFANS

轉(zhuǎn)自：CSDN（ID：CSDNnews）

(資料圖片僅供參考)

5 月 24 日，微軟 Azure DevOps 在巴西南部（SBR）區(qū)域內(nèi)一處 scale-unit（微軟 Azure 部署架構(gòu)中最小的容量單元）設(shè)施發(fā)生癱瘓，持續(xù)了 10 個(gè)小時(shí)。

6 月 2 日，微軟首席軟件工程經(jīng)理 Eric Mattingly 為這次故障出面道歉，并透露了具體原因：一個(gè)簡單的錯(cuò)誤拼寫，導(dǎo)致了整整 17 個(gè)生產(chǎn)級(jí)數(shù)據(jù)庫被刪除。

“隱藏”著一條拼寫錯(cuò)誤

Mattingly 解釋道，Azure DevOps 工程師偶爾會(huì)對生產(chǎn)級(jí)數(shù)據(jù)庫的快照進(jìn)行保存，以查看報(bào)告上的問題或測試性能改進(jìn)。為清理這些快照數(shù)據(jù)庫，會(huì)有專門的后臺(tái)每天運(yùn)行，系統(tǒng)會(huì)在一段設(shè)定的時(shí)間后刪除舊快照。

在最近的一波 sprint （敏捷開發(fā)術(shù)語中的迭代開發(fā)周期）中，Azure DevOps 工程師執(zhí)行了一次代碼升級(jí)，將已棄用的 Microsoft .Azure. Management.* 軟件包換成受支持的 Azure.ResourceManager.* NuGet 軟件包。

這個(gè)操作，連帶著大量 pull request 變更請求，會(huì)將舊包中的 API 調(diào)用替換為新包中的 API 調(diào)用——而引發(fā)此次事件的拼寫錯(cuò)誤，就出現(xiàn)在 pull request 內(nèi)，導(dǎo)致后臺(tái)快照刪除作業(yè)刪掉了整個(gè)服務(wù)器。

Mattingly 表示：“這條 pull request 中的快照刪除作業(yè)中，隱藏著一條拼寫錯(cuò)誤，它會(huì)刪除 Azure SQL 數(shù)據(jù)庫調(diào)用，并替換成刪除托管數(shù)據(jù)庫的 Azure SQL Server 調(diào)用。”

按理來說，Azure DevOps 有一系列測試可發(fā)現(xiàn)這類問題。但 Mattingly 稱，該錯(cuò)誤代碼只在某些條件下運(yùn)行，因此沒有被現(xiàn)有的測試機(jī)制及時(shí)發(fā)現(xiàn)。

Mattingly 表示，Azure DevOps 工程師使用安全部署實(shí)踐（SDP）將 Sprint 222 部署到了 Ring 0（微軟內(nèi)部部署），那里不存在快照數(shù)據(jù)庫，所以刪除作業(yè)不會(huì)執(zhí)行。但幾天后，Azure DevOps 工程師又將其部署至 Ring 1（客戶環(huán)境），也就是巴西南部的 scale-unit 設(shè)施。該環(huán)境中有一個(gè)比較舊的快照數(shù)據(jù)庫，因此觸發(fā)這個(gè)錯(cuò)誤代碼，于是它在刪除 Azure SQL Server 的同時(shí)，還刪掉了 scale-unit 設(shè)施中的 17 個(gè)生產(chǎn)級(jí)數(shù)據(jù)庫。

好在，據(jù) Mattingly 介紹，此次事件并未引發(fā)數(shù)據(jù)丟失。為了防止問題再次發(fā)生，Mattingly 稱微軟已采取了各種修復(fù)和重置措施，并向所有受此中斷影響的客戶道歉。

為何花費(fèi)了 10 個(gè)小時(shí)才全部恢復(fù)？

據(jù)微軟官方介紹，這 17 個(gè)生產(chǎn)級(jí)數(shù)據(jù)庫被刪后 20 分鐘不到，其工程師就檢測到了中斷并立即開始搶修，但依舊花費(fèi)了 10 個(gè)小時(shí)才完全恢復(fù)。

Mattingly 表示，這其中有幾個(gè)原因：

? 首先，客戶無法自己恢復(fù) Azure SQL Server，因此必須由 Azure 團(tuán)隊(duì)來處理這項(xiàng)工作，這個(gè)過程對許多人來說大約需要一個(gè)小時(shí)。

?其次，數(shù)據(jù)庫有不同的備份配置，一些數(shù)據(jù)庫被配置為 Zone 冗余備份，另一些數(shù)據(jù)庫被配置為最新的 Geo-zone 冗余備份。協(xié)調(diào)這種不匹配情況給恢復(fù)過程增添了不少時(shí)間。

?最后，在數(shù)據(jù)庫開始重新上線后，由于 Web 服務(wù)器出現(xiàn)了一系列復(fù)雜的問題，即使是數(shù)據(jù)位于這些數(shù)據(jù)庫中的客戶，也無法訪問整個(gè) scale-unit 設(shè)施。

這些問題是服務(wù)器預(yù)熱任務(wù)引起的，該任務(wù)會(huì)通過測試調(diào)用遍歷可用的數(shù)據(jù)庫列表。但恢復(fù)過程中的數(shù)據(jù)庫拋出了一個(gè)錯(cuò)誤，導(dǎo)致預(yù)熱測試“執(zhí)行指數(shù)級(jí)的 backoff 重試“，結(jié)果導(dǎo)致正常情況下只需不到 1 秒的預(yù)熱過程，平均耗時(shí)了 90 分鐘。

更復(fù)雜的是，整個(gè)恢復(fù)過程是交錯(cuò)進(jìn)行的，一旦其中一兩臺(tái)服務(wù)器重新開始接收客戶流量，就會(huì)因過載而再次停運(yùn)。最終，工程師只能阻斷所有流向巴西南部 scale-unit 的流量，確保一切準(zhǔn)備就緒后，再重新加入負(fù)載均衡器并處理流量。

目前，為防止此次事故再次發(fā)生，微軟方面已實(shí)施各種修復(fù)和重新配置。Mattingly 說：“我們再次向所有受到這次故障影響的客戶道歉。”

網(wǎng)友：微軟只是繼續(xù)“貼膏藥”

盡管如此，但此次微軟的道歉并沒有得到網(wǎng)友的諒解：

?“看來 Azure 變得越來越復(fù)雜了，而頻繁變化加上日益增加的復(fù)雜性，最終只會(huì)走上一條路：更多的災(zāi)難以及可靠性降低。聽起來微軟對此事故的解決方案是繼續(xù)“貼膏藥”，但我認(rèn)為在某個(gè)階段，還是有必要對方法進(jìn)行更根本的重新思考，避免最終分崩離析。”

甚至因?yàn)檫@個(gè)簡單的 Bug 導(dǎo)致 10 小時(shí)宕機(jī)的結(jié)果，不少網(wǎng)友也開始討論“云”的必要性：

?“關(guān)于云和DevOps最可怕的事情是，其實(shí)大多數(shù)文件都相當(dāng)簡潔，但其中總是有許多神奇的鍵/值，而實(shí)際上它們在代碼審查中并沒有任何意義。”