AWS就本周導(dǎo)致眾多企業(yè)陷入癱瘓的重大服務(wù)中斷事件解釋了問(wèn)題所在。在一份事后總結(jié)中，AWS概述了其DynamoDB的初始問(wèn)題如何產(chǎn)生連鎖反應(yīng)，導(dǎo)致服務(wù)中斷時(shí)間延長(zhǎng)。

　　10月19日晚11:48至10月20日凌晨2:40期間，亞馬遜DynamoDB在美國(guó)弗吉尼亞州US-East-1區(qū)域(部署應(yīng)用程序的主要區(qū)域)出現(xiàn)了“API錯(cuò)誤率上升”的情況。

　　這導(dǎo)致包括Snapchat、Fortnite、Ring、Roblox、Coinbase和即時(shí)通訊應(yīng)用Signal在內(nèi)的各種應(yīng)用程序和服務(wù)無(wú)法使用。

　　AWS描述了在此期間，“依賴DynamoDB的客戶和其他AWS服務(wù)無(wú)法與該服務(wù)建立新連接”。

　　AWS表示，此次事件是由服務(wù)自動(dòng)化DNS管理系統(tǒng)中的“潛在缺陷”(即隱藏故障)引發(fā)的。AWS指出，這導(dǎo)致了DynamoDB的端點(diǎn)解析失敗。

　　DNS(也被稱為互聯(lián)網(wǎng)電話簿)是將Forbes.com等域名轉(zhuǎn)換為IP地址的系統(tǒng)，以便瀏覽器加載互聯(lián)網(wǎng)資源。

　　AWS表示，像DynamoDB這樣的服務(wù)在每個(gè)區(qū)域“維護(hù)著數(shù)十萬(wàn)條DNS記錄，以運(yùn)營(yíng)一個(gè)由大量異構(gòu)負(fù)載均衡器組成的龐大集群”。“自動(dòng)化對(duì)于確保這些DNS記錄頻繁更新至關(guān)重要，以便在有可用容量時(shí)增加容量、正確處理硬件故障，以及高效分配流量以優(yōu)化客戶體驗(yàn)。”AWS稱。

　　但是，DynamoDB DNS管理系統(tǒng)中的“潛在競(jìng)態(tài)條件”(即當(dāng)多個(gè)請(qǐng)求同時(shí)發(fā)送到同一端點(diǎn)時(shí)發(fā)生的情況)導(dǎo)致該服務(wù)區(qū)域端點(diǎn)(dynamodb.us-east-1.amazonaws.com)的DNS記錄出現(xiàn)不正確的空記錄，而自動(dòng)化系統(tǒng)未能修復(fù)這一問(wèn)題。

　　網(wǎng)絡(luò)負(fù)載均衡器的問(wèn)題

　　隨后，當(dāng)系統(tǒng)開始恢復(fù)時(shí)，10月20日凌晨5:30至下午2:09.同一區(qū)域的部分網(wǎng)絡(luò)負(fù)載均衡器出現(xiàn)了連接錯(cuò)誤增加的情況。“這是由NLB集群中的健康檢查失敗導(dǎo)致的，進(jìn)而使部分NLB的連接錯(cuò)誤增加。”AWS解釋道。

　　與此同時(shí)，10月20日凌晨2:25至上午10:36.新的EC2實(shí)例啟動(dòng)失敗。AWS表示，雖然從上午10:37開始實(shí)例啟動(dòng)逐漸成功，但部分新啟動(dòng)的實(shí)例出現(xiàn)了連接問(wèn)題，這些問(wèn)題在下午1:50得到解決。

　　“新啟動(dòng)的EC2實(shí)例網(wǎng)絡(luò)狀態(tài)傳播延遲也對(duì)網(wǎng)絡(luò)負(fù)載均衡器服務(wù)和使用NLB的AWS服務(wù)造成了影響。”AWS稱。

　　亞馬遜就服務(wù)中斷事件致歉并說(shuō)明后續(xù)措施

　　AWS現(xiàn)已就此事件發(fā)布道歉聲明。“我們?yōu)榇舜问录o客戶帶來(lái)的影響深表歉意。”AWS寫道，“盡管我們?cè)谶\(yùn)營(yíng)服務(wù)方面一直保持著高可用性的良好記錄，但我們深知服務(wù)對(duì)客戶、他們的應(yīng)用程序和終端用戶以及業(yè)務(wù)的重要性。我們深知此次事件對(duì)許多客戶造成了重大影響。我們將竭盡所能從此次事件中吸取教訓(xùn)，并利用它進(jìn)一步提升我們的可用性。”

　　AWS表示，它“正在因此次運(yùn)營(yíng)事件做出多項(xiàng)調(diào)整”。

　　例如，它已在全球范圍內(nèi)禁用了DynamoDB DNS規(guī)劃器和DNS執(zhí)行器自動(dòng)化系統(tǒng)。“在重新啟用此自動(dòng)化系統(tǒng)之前，我們將修復(fù)競(jìng)態(tài)條件場(chǎng)景，并增加額外保護(hù)措施，以防止應(yīng)用不正確的DNS計(jì)劃。”

　　對(duì)于NLB，AWS正在增加一個(gè)速度控制機(jī)制，以限制當(dāng)健康檢查失敗導(dǎo)致可用區(qū)故障轉(zhuǎn)移時(shí)單個(gè)NLB可以移除的容量。

　　對(duì)于EC2.AWS正在構(gòu)建一個(gè)額外的測(cè)試套件，以擴(kuò)充其現(xiàn)有的規(guī)模測(cè)試，該測(cè)試將演練DWFM恢復(fù)工作流程，以“識(shí)別未來(lái)可能出現(xiàn)的任何問(wèn)題”。

　　此次AWS服務(wù)中斷事件影響巨大，部分公司因依賴的應(yīng)用程序出現(xiàn)問(wèn)題而數(shù)小時(shí)無(wú)法運(yùn)營(yíng)。AWS迅速發(fā)布了事后分析報(bào)告，這一點(diǎn)值得肯定。然而，其聲譽(yù)已經(jīng)受到了損害。