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