文|IT時報(bào)見習(xí)記者 孫永會
編輯|郝俊慧 孫妍
2023年年末,“崩”似乎成了部分互聯(lián)網(wǎng)大廠的收尾詞,前有阿里云“史詩級”的故障,后有滴滴大范圍宕機(jī),再如近日騰訊視頻會員的崩潰,皆在網(wǎng)上掀起熱議波瀾。
近期,大廠頻繁故障上演的“連續(xù)劇”,不禁讓人心生疑問:它們怎么了?
業(yè)內(nèi)專家汪斌(化名)告訴《IT時報(bào)》記者,系統(tǒng)出現(xiàn)Bug并不奇怪,但持續(xù)時間過長,意味著應(yīng)急預(yù)案相關(guān)手冊并沒有完全覆蓋問題。
另一位從大廠“畢業(yè)”的資深技術(shù)員工則將原因歸咎于前幾年流行的“中臺”,“一旦中臺存在設(shè)計(jì)缺陷和設(shè)計(jì)冗余,管理者與執(zhí)行者之間割裂,很容易形成事故?!?/p>
管理背鍋,強(qiáng)推中臺留隱患
最近一個月內(nèi)的連續(xù)故障,之所以引起喧嘩,在于其有著新特征:一損俱損。
阿里和滴滴都是旗下相關(guān)App出現(xiàn)了故障,意味著在核心層或底層出現(xiàn)問題,也有人將原因歸咎于這兩年大廠降本增效、技術(shù)型人才缺失,影響業(yè)務(wù)穩(wěn)定開展。
技術(shù)研發(fā)者鄧為(化名)此前在某大廠架構(gòu)部門任職,親歷過公司內(nèi)部的業(yè)態(tài)無序后,他無奈離開。
“真的很離譜?!痹谒磥?,近期大廠頻繁出問題與人員變動有不可分割的關(guān)系,近三年來,互聯(lián)網(wǎng)大廠的人員規(guī)模經(jīng)歷了從擴(kuò)張到縮減的過程,也留下了不少業(yè)務(wù)黑洞。
“技術(shù)腐敗”是他對自己在大廠工作期間經(jīng)歷、見聞的總結(jié)?!扒皫啄晷蝿莺玫臅r候,大廠紛紛擴(kuò)招,‘搶占’業(yè)務(wù)高地,但人員膨脹后,實(shí)際的需求規(guī)劃未準(zhǔn)時到位,結(jié)果人招進(jìn)來卻沒活干,需要自己找活,或者自己建項(xiàng)目。”鄧為表示,此前公司內(nèi)部有很多項(xiàng)目屬于“巧立名目”,有的把簡單問題復(fù)雜化以消化多余人力,有的將外部項(xiàng)目拿進(jìn)公司稍作修改,換個名字便視作新項(xiàng)目,還有的人將已有項(xiàng)目不斷合并、組合后成立新項(xiàng)目。
此外,幾年前興起的中臺概念也并不完美,并不是中臺設(shè)計(jì)動機(jī)有問題,而是打造中臺的過程需要行政強(qiáng)制要求配合搭建。但在執(zhí)行過程中,缺失技術(shù)管理和決策問責(zé)機(jī)制,即使中臺存在設(shè)計(jì)缺陷和設(shè)計(jì)冗余,也沒有太好的修改機(jī)制。
“公司執(zhí)行層和管理層的割裂是這種情況發(fā)生的關(guān)鍵所在?!编嚍檎f,執(zhí)行層維持實(shí)際業(yè)務(wù)的運(yùn)轉(zhuǎn),管理層傾向于操控項(xiàng)目的概念和方案來維持績效,“決策一旦發(fā)生錯誤,最終復(fù)盤問責(zé)卻不會對管理層形成威脅,因?yàn)楣芾韺硬粌H掌握人事權(quán),也具有解釋權(quán),結(jié)果最后故障出現(xiàn)后,關(guān)鍵技術(shù)人員往往是首先被追責(zé)的人,然后形成惡性循環(huán)。”
技術(shù)歸咎,架構(gòu)設(shè)計(jì)和運(yùn)維制度欠考量
當(dāng)然,多次宕機(jī)事件背后,仍然有技術(shù)問題。
詳看阿里云此前公布的問題報(bào)告——AK在讀取白名單數(shù)據(jù)時出現(xiàn)讀取異常,因處理讀取異常的代碼存在邏輯缺陷,生成了一份不完整的白名單,導(dǎo)致不在此白名單中的有效請求失敗,影響云產(chǎn)品控制臺及管控API服務(wù)出現(xiàn)異常,同時部分依賴AK服務(wù)的產(chǎn)品因不完整的白名單出現(xiàn)部分服務(wù)而運(yùn)行異常。
如何理解?“AK是一個服務(wù)功能,是構(gòu)成阿里云平臺的基礎(chǔ)?!蓖舯笳J(rèn)為,下層服務(wù)的服務(wù)能力類似于中臺,可以為上層服務(wù)提供數(shù)據(jù)庫、存儲等功能,但會導(dǎo)致下層“變重”,即架構(gòu)變得冗余和復(fù)雜,“當(dāng)架構(gòu)中的設(shè)計(jì)邏輯不清楚時,極容易出現(xiàn)問題,這對上層來說亦是災(zāi)難。該企業(yè)頻繁發(fā)生故障,或因架構(gòu)過于集中。”
再來看滴滴事故,官方宣稱是“底層系統(tǒng)發(fā)生故障”。據(jù)有關(guān)媒體報(bào)道,造成此次事故的原因是由升級K8S集群導(dǎo)致,即本應(yīng)升級到1.12,但升級到了1.20,協(xié)議不兼容而引發(fā)連鎖反應(yīng)?!斑@個問題則應(yīng)該是運(yùn)維制度管理欠缺考量,在操作過程中并未考慮災(zāi)難發(fā)生的可能?!蓖舯蟊硎?。
大大小小的宕機(jī)事件讓人產(chǎn)生此類事故是否無法避免的疑問。
據(jù)《北京日報(bào)》報(bào)道,無論是本地計(jì)算還是云計(jì)算,互聯(lián)網(wǎng)的服務(wù)數(shù)據(jù)終究要流向數(shù)據(jù)中心,匯集到幾個中心節(jié)點(diǎn),這種物理屬性決定了數(shù)據(jù)中心無法規(guī)避外界因素,也就無法做到永不宕機(jī),而企業(yè)的安全冗余和災(zāi)備能力受“投入產(chǎn)出比”影響,也不可能無限進(jìn)行備份。
“企業(yè)多數(shù)的規(guī)章制度多‘脫胎’于日常的經(jīng)驗(yàn)教訓(xùn),從這些事件中,我們能獲得的啟發(fā)是,一方面要健全運(yùn)維制度,另一方面是強(qiáng)化操作流程,從中總結(jié)經(jīng)驗(yàn)。”汪斌說道。
排版/ 季嘉穎