首頁 > 行業 > 正文

代碼拼寫錯誤刪微軟數據庫，癱10小時。-世界聚看點

2023-06-17 22:03:24來源：擴展迷EXTFANS

轉自：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）區域內一處 scale-unit（微軟 Azure 部署架構中最小的容量單元）設施發生癱瘓，持續了 10 個小時。

6 月 2 日，微軟首席軟件工程經理 Eric Mattingly 為這次故障出面道歉，并透露了具體原因：一個簡單的錯誤拼寫，導致了整整 17 個生產級數據庫被刪除。

“隱藏”著一條拼寫錯誤

Mattingly 解釋道，Azure DevOps 工程師偶爾會對生產級數據庫的快照進行保存，以查看報告上的問題或測試性能改進。為清理這些快照數據庫，會有專門的后臺每天運行，系統會在一段設定的時間后刪除舊快照。

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

這個操作，連帶著大量 pull request 變更請求，會將舊包中的 API 調用替換為新包中的 API 調用——而引發此次事件的拼寫錯誤，就出現在 pull request 內，導致后臺快照刪除作業刪掉了整個服務器。

Mattingly 表示：“這條 pull request 中的快照刪除作業中，隱藏著一條拼寫錯誤，它會刪除 Azure SQL 數據庫調用，并替換成刪除托管數據庫的 Azure SQL Server 調用。”

按理來說，Azure DevOps 有一系列測試可發現這類問題。但 Mattingly 稱，該錯誤代碼只在某些條件下運行，因此沒有被現有的測試機制及時發現。

Mattingly 表示，Azure DevOps 工程師使用安全部署實踐（SDP）將 Sprint 222 部署到了 Ring 0（微軟內部部署），那里不存在快照數據庫，所以刪除作業不會執行。但幾天后，Azure DevOps 工程師又將其部署至 Ring 1（客戶環境），也就是巴西南部的 scale-unit 設施。該環境中有一個比較舊的快照數據庫，因此觸發這個錯誤代碼，于是它在刪除 Azure SQL Server 的同時，還刪掉了 scale-unit 設施中的 17 個生產級數據庫。

好在，據 Mattingly 介紹，此次事件并未引發數據丟失。為了防止問題再次發生，Mattingly 稱微軟已采取了各種修復和重置措施，并向所有受此中斷影響的客戶道歉。

為何花費了 10 個小時才全部恢復？

據微軟官方介紹，這 17 個生產級數據庫被刪后 20 分鐘不到，其工程師就檢測到了中斷并立即開始搶修，但依舊花費了 10 個小時才完全恢復。

Mattingly 表示，這其中有幾個原因：

? 首先，客戶無法自己恢復 Azure SQL Server，因此必須由 Azure 團隊來處理這項工作，這個過程對許多人來說大約需要一個小時。

?其次，數據庫有不同的備份配置，一些數據庫被配置為 Zone 冗余備份，另一些數據庫被配置為最新的 Geo-zone 冗余備份。協調這種不匹配情況給恢復過程增添了不少時間。

?最后，在數據庫開始重新上線后，由于 Web 服務器出現了一系列復雜的問題，即使是數據位于這些數據庫中的客戶，也無法訪問整個 scale-unit 設施。

這些問題是服務器預熱任務引起的，該任務會通過測試調用遍歷可用的數據庫列表。但恢復過程中的數據庫拋出了一個錯誤，導致預熱測試“執行指數級的 backoff 重試“，結果導致正常情況下只需不到 1 秒的預熱過程，平均耗時了 90 分鐘。

更復雜的是，整個恢復過程是交錯進行的，一旦其中一兩臺服務器重新開始接收客戶流量，就會因過載而再次停運。最終，工程師只能阻斷所有流向巴西南部 scale-unit 的流量，確保一切準備就緒后，再重新加入負載均衡器并處理流量。

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

網友：微軟只是繼續“貼膏藥”

盡管如此，但此次微軟的道歉并沒有得到網友的諒解：