互联网App连串崩溃背后：小规模“崩了修好”常发生

　　互联网的世界近期风高浪急，难得的是“可靠”二字。

　　12月5日，当第一财经记者向一位云计算行业人士询问近期密集发生的App崩溃事件时，他转来刚刚发生的阿里云客户通知信息——又崩了。

　　官方页面信息显示，北京时间2023年12月5日10:15起，阿里云监控发现国内部分地域RDS（关系型数据库服务，Relational Database Service）备份恢复页面访问异常，经过阿里云工程师紧急处理，异常已于10:36恢复。

　　该人士对记者表示，互联网基础设施服务必然伴随不稳定性，“崩了”经常发生，只是看有没有被外界大范围注意到。但是像近期滴滴App如此大规模、广范围的负面影响，还是极少发生的。

　　互联网App“崩了”是常事

　　第一财经记者梳理发现，今年以来，包括阿里、腾讯、百度、滴滴、抖音、B站等各大平台均发生过“崩了”事件。

　　12月3日晚，腾讯视频“崩了”登上微博热搜。腾讯视频方面回应称，出现了短暂技术问题，正在加紧修复，各项功能在逐步恢复中。

　　11月27日晚间，滴滴App系统发生故障，全国大面积崩溃，服务无法正常使用。11月29日，滴滴方面发表声明称，各项服务已经恢复，初步确定，这起事故的起因是底层系统软件发生故障，并非网传的“遭受攻击”。目前滴滴App的所有服务已经全部恢复。因这起事故给大家造成的困扰和问题，正在加快妥善解决。后续将深入开展技术风险隐患排查和升级工作，全面保障服务稳定性，尽最大努力避免类似事故再发生。

　　作为月活破亿的社交平台，B站此前多次因为“崩了”登上热搜。

　　据记者不完全统计，B站在今年“崩了”两次，最近一次是在今年6月28日，当天下午不少用户反映“B站崩了”，该词条随后登上热搜。此次受影响的主要是番剧和影视页面，用户反映“追番一直提示获取视频内容失败”“显示页面加载失败”“看番看一半加载不出来”。该问题持续一小时左右，对于此次崩溃原因B站未有具体解释。

　　2023年3月5日20:20左右，在B站用户活跃的高峰期，许多网友发现B站手机和电脑端均无法访问视频详情页，当晚B站团队在出现故障20分钟后解决了问题。多位行业人士倾向于原因是“迭代更新出现代码故障”，这是2021年7月B站大规模服务器崩溃后的官方解释。

　　2021年7月13日或许是B站目前最大规模的服务器崩溃，当晚B站的手机和电脑端彻底无法使用，用户界面显示404或502，此次崩溃引发全网大讨论，一度登上热搜第一。14日凌晨2点20分，崩溃情况持续约3小时后，B站公告表示服务已陆续恢复正常，并道歉解释称是因为B站的部分服务器机房发生故障，造成无法访问。

　　2022年7月12日，B站技术团队官方账号“哔哩哔哩技术”发了一篇技术解析长文《2021.07.13 我们是这样崩的》，根据这篇文章的分析，服务器崩溃原因是当时新上线的代码函数存在问题，最终导致服务器CPU占满无法处理用户请求。

　　文章中提到，2021年7月13日22:52，SRE（负责站点可靠性的工程师）收到大量服务和域名的接入层不可用报警，客服侧开始收到大量用户反馈B站无法使用，甚至App首页也无法打开。基于报警内容，SRE第一时间怀疑机房、网络、四层LB、七层SLB等基础设施出现问题，紧急发起语音会议，拉各团队相关人员开始紧急处理。

　　经过原因排查后发现，B站出问题的模块是在线业务主机房的7层 SLB（负载均衡服务器，用来处理多用户、多业务的情况）的CPU跑满了100%，无法处理用户请求，问题最终被定位到了最近新上线的 Lua（一种编程语言）函数上，这个函数因为代码错误运行出错陷入死循环导致过载。

　　技术维稳谨慎当先

　　如果不是滴滴的长时间崩溃造成大范围的负面影响与讨论度，非行业人士不会将某款软件的暂时“崩了”作为热点讨论。

　　万博智云CTO孙琦对第一财经表示，滴滴事件仅是一个个案，但该事件故障级别较大，确实影响到了一定规模普通群众的生活。实际上，很多用户看不到的软件故障正在每天发生，这在行业内是一个较为常见的问题。

　　一位软件工程师告诉记者，目前随着行业技术的逐渐成熟，各大厂一般都会自建数据中心，云服务也多采用多云策略，配有标准容灾机制，出现崩溃问题大多发生在自身算法、硬件，或自身技术团队层面。

　　以B站崩溃为例，其技术团队在解读文章中表示，运维团队做项目有个弊端，开发完成自测没问题后就开始灰度上线，没有专业的测试团队介入，“此组件太过核心，需要引入基础组件测试团队，对SLB输入参数做完整的异常测试。”

　　对于后续改进，B 站技术团队认为要“招专业做LB的人”，“我们选择基于Lua开发是因为Lua简单易上手，社区有类似成功案例。团队并没有资深做Nginx组件开发的同学，也没有做C/C++开发的同学。”

　　此外，文章里还提到，“B站一直没有NOC（网络操作中心）/技术支持团队，在出现紧急事故时，故障响应、故障通报、故障协同都是由负责故障处理的SRE（网站可靠性工程师）来承担。如果是普通事故还好，如果是重大事故，信息同步根本来不及，所以事故的应急响应机制必须优化。”

　　另以滴滴事件为例，多个独立信源向记者发来一份讨论截图，称一个规模非常大的K8s 集群进行在线热升级，因为某些原因，所有 Pod（容器）损坏，而 K8s 的元数据已经被新版本K8s 修改，无法回滚，因此恢复时间拉得很长。K8s（Kubernetes）是一个开源的容器编排平台,可以自动化地部署、扩展和管理容器化应用程序。

　　云猿生数据创始人兼CEO、前阿里云数据库总经理曹伟在其个人公众号发文解读称，该说法并非毫无依据。滴滴团队近两个月正将公司内部的 K8s 从1.12版本升级到1.20。前者于2018年9月发布，后者是2020年12月，对高速发展的K8s项目来说，两个版本间存在相当大差距。K8s 官方推荐的方法是沿着一个个版本升上去。但滴滴团队认为多次升级风险更高，采取了跨越八个版本直接升级策略，同时为了避免中断业务，在不重启容器的情况下原地升级，滴滴团队还修改了kubelet 的代码。曹伟认为该策略理论上可行，但中间可能遭遇到意外因素，如运维误操作，才导致了最终的大规模故障。

　　曹伟的建议是，当一个集群规模很大时，很容易在意想不到的地方发生类似的问题，那么在设计系统时，应把集群的规模控制在一个合理的范围，但扩大集群数量。

　　例如，可以把两个一万节点的集群拆成十个两千节点的集群，管理成本没有增加，而运行风险和（故障的）爆炸半径得到极大的降低。

　　11月12日，阿里云出现了一次影响所有区域的全局大故障。以这次阿里云的史诗级故障为例，曹伟称，对象存储的关键路径里依赖看RAM（内存）的鉴权逻辑，因此RAM出现故障时，也造成了对象存储的不可用。因此，数据面的可用性如果和控制面解耦，那么控制面挂掉对数据面的影响很轻微。否则，要么要不断去提高控制面的可用性，要么就要接受故障的级联发生。因此总结来说，曹伟建议各平台技术团队尽量做到控制规模、避免单点、拥抱重启、保证数据面的可用性和控制面解耦。

　　孙琦对记者表示，如今各大互联网平台基础架构层已经很成熟，极少出现因技术革新导致影响整个架构的事故，但在现有技术支撑、业务并发量不会暴涨的情况下，在团队稳定的前提下，类似问题理应不会频繁出现。