文｜IT時(shí)報(bào)見(jiàn)習(xí)記者 孫永會(huì)
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(shī)級(jí)”的故障，后有滴滴大范圍宕機(jī)，再如近日騰訊視頻會(huì)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(wèn)：它們?cè)趺戳耍?/p>
業(yè)內(nèi)專家汪斌（化名）告訴《IT時(shí)報(bào)》記者，系統(tǒng)出現(xiàn)Bug并不奇怪，但持續(xù)時(shí)間過(guò)長(zhǎng)，意味著應(yīng)急預(yù)案相關(guān)手冊(cè)并沒(méi)有完全覆蓋問(wèn)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(tái)”，“一旦中臺(tái)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(tái)留隱患
最近一個(gè)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(wèn)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(kāi)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(guò)公司內(nèi)部的業(yè)態(tài)無(wú)序后，他無(wú)奈離開(kāi)。
“真的很離譜。”在他看來(lái)，近期大廠頻繁出問(wèn)題與人員變動(dòng)有不可分割的關(guān)系，近三年來(lái)，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(guò)程，也留下了不少業(yè)務(wù)黑洞。
“技術(shù)腐敗”是他對(duì)自己在大廠工作期間經(jīng)歷、見(jiàn)聞的總結(jié)?！扒皫啄晷蝿?shì)好的時(shí)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(shí)到位，結(jié)果人招進(jìn)來(lái)卻沒(méi)活干，需要自己找活，或者自己建項(xiàng)目?！编嚍楸硎荆饲肮緝?nèi)部有很多項(xiàng)目屬于“巧立名目”，有的把簡(jiǎn)單問(wèn)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(gè)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(tái)概念也并不完美，并不是中臺(tái)設(shè)計(jì)動(dòng)機(jī)有問(wèn)題，而是打造中臺(tái)的過(guò)程需要行政強(qiáng)制要求配合搭建。但在執(zhí)行過(guò)程中，缺失技術(shù)管理和決策問(wèn)責(zé)機(jī)制，即使中臺(tái)存在設(shè)計(jì)缺陷和設(shè)計(jì)冗余，也沒(méi)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(shuō)，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(lái)維持績(jī)效，“決策一旦發(fā)生錯(cuò)誤，最終復(fù)盤問(wèn)責(zé)卻不會(huì)對(duì)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)?！?/p>
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(wèn)題。
詳看阿里云此前公布的問(wèn)題報(bào)告——AK在讀取白名單數(shù)據(jù)時(shí)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(qǐng)求失敗，影響云產(chǎn)品控制臺(tái)及管控API服務(wù)出現(xiàn)異常，同時(shí)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(gè)服務(wù)功能，是構(gòu)成阿里云平臺(tái)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(tái)，可以為上層服務(wù)提供數(shù)據(jù)庫(kù)、存儲(chǔ)等功能，但會(huì)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(shí)，極容易出現(xiàn)問(wèn)題，這對(duì)上層來(lái)說(shuō)亦是災(zāi)難。該企業(yè)頻繁發(fā)生故障，或因架構(gòu)過(guò)于集中?！?/p>
再來(lái)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(jí)K8S集群導(dǎo)致，即本應(yīng)升級(jí)到1.12，但升級(jí)到了1.20，協(xié)議不兼容而引發(fā)連鎖反應(yīng)。“這個(gè)問(wèn)題則應(yīng)該是運(yùn)維制度管理欠缺考量，在操作過(guò)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(wú)法避免的疑問(wèn)。
據(jù)《北京日?qǐng)?bào)》報(bào)道，無(wú)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(gè)中心節(jié)點(diǎn)，這種物理屬性決定了數(shù)據(jù)中心無(wú)法規(guī)避外界因素，也就無(wú)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(wú)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)?！蓖舯笳f(shuō)道。
排版／ 季嘉穎