快科技4月14日消息，4月8日，有大量網(wǎng)友反饋，稱騰訊云出現(xiàn)服務(wù)故障，出現(xiàn)騰訊云控制臺登錄不上等情況。

今日，騰訊云發(fā)布4月8日故障復(fù)盤及情況說明。

經(jīng)過故障定位發(fā)現(xiàn)，客戶登錄不上控制臺正是由云API異常所導(dǎo)致，故障發(fā)生后，依賴云API提供產(chǎn)品能力的部分公有云服務(wù)。

也因為云API的異常出現(xiàn)了無法使用的情況，比如云函數(shù)、文字識別、微服務(wù)平臺、音頻內(nèi)容安全、驗證碼等。

官方表示，此次故障一共持續(xù)了近87分鐘，期間共有1957個客戶報障。

故障的原因是云API服務(wù)新版本向前兼容性考慮不夠和配置數(shù)據(jù)灰度機制不足的問題。

本次API升級過程中，由于新版本的接口協(xié)議發(fā)生了變化，在后臺發(fā)布新版本之后對于舊版本前端傳來的數(shù)據(jù)處理邏輯異常，導(dǎo)致生成了一條錯誤的配置數(shù)據(jù)，由于灰度機制不足導(dǎo)致異常數(shù)據(jù)快速擴散到了全網(wǎng)地域，造成整體API使用異常。

騰訊云稱，發(fā)生故障后，按照標準回滾方案將服務(wù)后臺和配置數(shù)據(jù)同時回滾到舊版本，并重啟API后臺服務(wù)，但此時因為承載API服務(wù)的容器平臺也依賴API服務(wù)才能提供調(diào)度能力，即發(fā)生了循環(huán)依賴，導(dǎo)致服務(wù)無法自動拉起。

通過運維手工啟動方式才使API服務(wù)重啟，完成整個故障恢復(fù)。

問題復(fù)盤

整個處理過程如下：

1.15:23，監(jiān)測到故障，立即執(zhí)行服務(wù)的恢復(fù)，同時進行原因的排查；

2.15:47，發(fā)現(xiàn)通過回滾版本沒能完全恢復(fù)服務(wù)，進一步定位問題；

3.15:57，定位出故障根因是配置數(shù)據(jù)出現(xiàn)錯誤，緊急設(shè)計數(shù)據(jù)修復(fù)方案；4.16:02，對全地域進行數(shù)據(jù)修復(fù)工作，API服務(wù)逐地域恢復(fù)中；

5.16:05，觀測到除上海外的地域API服務(wù)均已恢復(fù)，進一步定位上海地域的恢復(fù)問題；

6.16:25，定位到上海的技術(shù)組件存在API循環(huán)依賴問題，決定通過流量調(diào)度至其他地域來恢復(fù)；

7.16:45，觀測到上海地域恢復(fù)了，此時API和依賴API的PaaS服務(wù)徹底恢復(fù)，但控制臺流量劇增，按九倍容量進行了擴容；

8.16:50，請求量逐漸恢復(fù)到正常水平，業(yè)務(wù)穩(wěn)定運行，控制臺服務(wù)全部恢復(fù)；9.17:45，持續(xù)觀察一小時，未發(fā)現(xiàn)問題，按預(yù)案處理過程完畢。

改進措施

綜合盤點這次故障，最根本的原因是在版本變更過程中，沒有有效執(zhí)行沙箱驗證和預(yù)案演練，暴露了在變更管理上的不足，接下來將從以下幾個方面快速進行改進和完善，以減少故障的影響范圍和影響時長。

第一，提升系統(tǒng)韌性

1、定期執(zhí)行預(yù)定的變更策略模擬演練，確保在真實故障發(fā)生時，能夠迅速切換到恢復(fù)模式，最小化服務(wù)中斷時間。

2、優(yōu)化服務(wù)部署架構(gòu)，通過分層架構(gòu)、代碼審查和監(jiān)控等手段， 避免API服務(wù)中潛在的循環(huán)依賴問題。

3、提供API服務(wù)逃生通道，當故障發(fā)生時，可供調(diào)用方快速切換。

第二，強化變更管理與保護措施

1、完善自動化測試用例庫，在系統(tǒng)變更前通過沙箱環(huán)境對變更內(nèi)容進行嚴格驗證。

2、實施灰度發(fā)布策略，逐步推廣新功能或配置更改，按集群、可用區(qū)、地域逐步生效，以便在發(fā)現(xiàn)問題時能夠迅速回滾。

3、引入異常自動熔斷機制，當檢測到系統(tǒng)異常時，能夠立即中斷變更過程。

第三，增強故障響應(yīng)與溝通能力

1、對故障處理流程進行全面升級，確保實時更新故障處理進度和預(yù)計恢復(fù)時間點，提升故障報告發(fā)布效率。

2、在對外發(fā)布的故障通知中，清晰闡述受影響的業(yè)務(wù)范圍、故障根因及預(yù)計修復(fù)時長，保持透明度。

3、優(yōu)化騰訊云健康狀態(tài)看板（StatusPage）的信息展示邏輯，解除對云API等云服務(wù)的依賴，通過引入緩存和容災(zāi)機制，確保即使在云服務(wù)出現(xiàn)故障時，能準確、及時地傳遞故障信息。

對于騰訊云本次故障復(fù)盤及情況說明，有網(wǎng)友表示：“能對外公布過程，對用戶透明，也是種進步”“有故障不可怕，關(guān)鍵是要能在故障中去真正總結(jié)、改進、沉淀，盡量做好下一次故障的規(guī)避和優(yōu)化，這才是寶貴的經(jīng)驗和收獲。”