DoNews4月14日消息，據(jù)騰訊云官方公眾號公布，4月8日15點23分，騰訊云團(tuán)隊收到告警信息，云API服務(wù)處于異常狀態(tài)；隨即在騰訊云工單、售后服務(wù)群以及微博等渠道開始大量出現(xiàn)騰訊云控制臺登錄不上的客戶反饋。
經(jīng)過故障定位發(fā)現(xiàn)，客戶登錄不上控制臺正是由云API異常所導(dǎo)致。云API是云上統(tǒng)一的開放接口集合，客戶可以通過API以編程方式管理和操控云端資源，云控制臺通過組合云API提供交互式的網(wǎng)頁功能。
故障發(fā)生后，依賴云API提供產(chǎn)品能力的部分公有云服務(wù)，也因為云API的異常出現(xiàn)了無法使用的情況，比如云函數(shù)、文字識別、微服務(wù)平臺、音頻內(nèi)容安全、驗證碼等。此次故障一共持續(xù)了近87分鐘，期間共有1957個客戶報障。
據(jù)騰訊云方面公布，此次發(fā)生故障的控制臺和云API是對控制面的影響。這次故障中客戶已經(jīng)配置好的服務(wù)器等IaaS資源，包括已經(jīng)部署運行的業(yè)務(wù)，沒有受到云API異常的影響。其他以非云 API 方式提供服務(wù)的PaaS和SaaS服務(wù)，處于正常服務(wù)的狀態(tài)。
但是，用API提供的服務(wù)類產(chǎn)品（需要“酒店前臺服務(wù)“）有不同程度的影響，比如騰訊云存儲服務(wù)調(diào)用當(dāng)天有明顯下滑。期間售后團(tuán)隊協(xié)助部分客戶做了業(yè)務(wù)容災(zāi)預(yù)案的實施，將受影響服務(wù)做調(diào)度以快速恢復(fù)客戶的業(yè)務(wù)服務(wù)。
問題復(fù)盤
整個處理過程如下：
1. ?15:23，監(jiān)測到故障，立即執(zhí)行服務(wù)的恢復(fù)，同時進(jìn)行原因的排查；
2. ?15:47，發(fā)現(xiàn)通過回滾版本沒能完全恢復(fù)服務(wù)，進(jìn)一步定位問題；
3. ?15:57，定位出故障根因是配置數(shù)據(jù)出現(xiàn)錯誤，緊急設(shè)計數(shù)據(jù)修復(fù)方案；
4. ?16:02，對全地域進(jìn)行數(shù)據(jù)修復(fù)工作，API服務(wù)逐地域恢復(fù)中；
5. ?16:05，觀測到除上海外的地域API服務(wù)均已恢復(fù)，進(jìn)一步定位上海地域的恢復(fù)問題；
6. ?16:25，定位到上海的技術(shù)組件存在API循環(huán)依賴問題，決定通過流量調(diào)度至其他地域來恢復(fù)；
7. ?16:45，觀測到上海地域恢復(fù)了，此時API和依賴API的PaaS服務(wù)徹底恢復(fù)，但控制臺流量劇增，按九倍容量進(jìn)行了擴(kuò)容；
8. ?16:50，請求量逐漸恢復(fù)到正常水平，業(yè)務(wù)穩(wěn)定運行，控制臺服務(wù)全部恢復(fù)；
9. ?17:45，持續(xù)觀察一小時，未發(fā)現(xiàn)問題，按預(yù)案處理過程完畢。
故障的原因是云API服務(wù)新版本向前兼容性考慮不夠和配置數(shù)據(jù)灰度機(jī)制不足的問題。
本次API升級過程中，由于新版本的接口協(xié)議發(fā)生了變化，在后臺發(fā)布新版本之后對于舊版本前端傳來的數(shù)據(jù)處理邏輯異常，導(dǎo)致生成了一條錯誤的配置數(shù)據(jù)，由于灰度機(jī)制不足導(dǎo)致異常數(shù)據(jù)快速擴(kuò)散到了全網(wǎng)地域，造成整體API使用異常。
發(fā)生故障后，按照標(biāo)準(zhǔn)回滾方案將服務(wù)后臺和配置數(shù)據(jù)同時回滾到舊版本，并重啟API后臺服務(wù)，但此時因為承載API服務(wù)的容器平臺也依賴API服務(wù)才能提供調(diào)度能力，即發(fā)生了循環(huán)依賴，導(dǎo)致服務(wù)無法自動拉起。通過運維手工啟動方式才使API服務(wù)重啟，完成整個故障恢復(fù)。
改進(jìn)措施
綜合盤點這次故障，最根本的原因是在版本變更過程中，沒有有效執(zhí)行沙箱驗證和預(yù)案演練，暴露了在變更管理上的不足，接下來將從以下幾個方面快速進(jìn)行改進(jìn)和完善，以減少故障的影響范圍和影響時長。
第一，提升系統(tǒng)韌性
1、定期執(zhí)行預(yù)定的變更策略模擬演練，確保在真實故障發(fā)生時，能夠迅速切換到恢復(fù)模式，最小化服務(wù)中斷時間。
2、優(yōu)化服務(wù)部署架構(gòu)，通過分層架構(gòu)、代碼審查和監(jiān)控等手段， 避免API服務(wù)中潛在的循環(huán)依賴問題。
3、提供API服務(wù)逃生通道，當(dāng)故障發(fā)生時，可供調(diào)用方快速切換。
第二，強(qiáng)化變更管理與保護(hù)措施
1、完善自動化測試用例庫，在系統(tǒng)變更前通過沙箱環(huán)境對變更內(nèi)容進(jìn)行嚴(yán)格驗證。
2、實施灰度發(fā)布策略，逐步推廣新功能或配置更改，按集群、可用區(qū)、地域逐步生效，以便在發(fā)現(xiàn)問題時能夠迅速回滾。
3、引入異常自動熔斷機(jī)制，當(dāng)檢測到系統(tǒng)異常時，能夠立即中斷變更過程。
第三，增強(qiáng)故障響應(yīng)與溝通能力
1、對故障處理流程進(jìn)行全面升級，確保實時更新故障處理進(jìn)度和預(yù)計恢復(fù)時間點，提升故障報告發(fā)布效率。
2、在對外發(fā)布的故障通知中，清晰闡述受影響的業(yè)務(wù)范圍、故障根因及預(yù)計修復(fù)時長，保持透明度。
3、優(yōu)化騰訊云健康狀態(tài)看板（StatusPage）的信息展示邏輯，解除對云API等云服務(wù)的依賴，通過引入緩存和容災(zāi)機(jī)制，確保即使在云服務(wù)出現(xiàn)故障時，能準(zhǔn)確、及時地傳遞故障信息。
