腾讯云4月8日故障复盘及情况说明
经过故障定位发现，客户登录不上控制台正是由云API异常所导致。云API是云上统一的开放接口集合，客户可以通过API以编程方式管理和操控云端资源，云控制台通过组合云API提供交互式的网页功能。
故障发生后，依赖云API提供产品能力的部分公有云服务，也因为云API的异常出现了无法使用的情况，比如云函数、文字识别、微服务平台、音频内容安全、验证码等。此次故障一共持续了近87分钟，期间共有1957个客户报障。 从客户的视角来看，云服务大概可以分为数据面和控制面，数据面承载客户自身的业务，控制面负责操作云上不同产品。比如目前使用最广泛的IaaS服务基本上都是以直接面向数据面为主，控制面仅在客户购买或需要对资源层面进行调整操作时会涉及。此次发生故障的控制台和云API是对控制面的影响。
图 1：腾讯云全产品进出流量趋势图
但是，用API提供的服务类产品（需要“酒店前台服务“）有不同程度的影响，比如腾讯云存储服务调用当天有明显下滑。期间售后团队协助部分客户做了业务容灾预案的实施，将受影响服务做调度以快速恢复客户的业务服务。从图2可以看出，当天存储服务调用有一个明显的波动。
图 2：存储服务调用数据趋势图
问题复盘
整个处理过程如下：1. 15:23，监测到故障，立即执行服务的恢复，同时进行原因的排查；2. 15:47，发现通过回滚版本没能完全恢复服务，进一步定位问题；3. 15:57，定位出故障根因是配置数据出现错误，紧急设计数据修复方案；4. 16:02，对全地域进行数据修复工作，API服务逐地域恢复中；5. 16:05，观测到除上海外的地域API服务均已恢复，进一步定位上海地域的恢复问题；6. 16:25，定位到上海的技术组件存在API循环依赖问题，决定通过流量调度至其他地域来恢复；7. 16:45，观测到上海地域恢复了，此时API和依赖API的PaaS服务彻底恢复，但控制台流量剧增，按九倍容量进行了扩容；8. 16:50，请求量逐渐恢复到正常水平，业务稳定运行，控制台服务全部恢复；9. 17:45，持续观察一小时，未发现问题，按预案处理过程完毕。
改进措施
综合盘点这次故障，最根本的原因是在版本变更过程中，没有有效执行沙箱验证和预案演练，暴露了在变更管理上的不足，接下来将从以下几个方面快速进行改进和完善，以减少故障的影响范围和影响时长。 第一，提升系统韧性1、定期执行预定的变更策略模拟演练，确保在真实故障发生时，能够迅速切换到恢复模式，最小化服务中断时间。2、优化服务部署架构，通过分层架构、代码审查和监控等手段， 避免API服务中潜在的循环依赖问题。3、提供API服务逃生通道，当故障发生时，可供调用方快速切换。
第二，强化变更管理与保护措施1、完善自动化测试用例库，在系统变更前通过沙箱环境对变更内容进行严格验证。2、实施灰度发布策略，逐步推广新功能或配置更改，按集群、可用区、地域逐步生效，以便在发现问题时能够迅速回滚。3、引入异常自动熔断机制，当检测到系统异常时，能够立即中断变更过程。
第三，增强故障响应与沟通能力1、对故障处理流程进行全面升级，确保实时更新故障处理进度和预计恢复时间点，提升故障报告发布效率。2、在对外发布的故障通知中，清晰阐述受影响的业务范围、故障根因及预计修复时长，保持透明度。3、优化腾讯云健康状态看板（StatusPage）的信息展示逻辑，解除对云API等云服务的依赖，通过引入缓存和容灾机制，确保即使在云服务出现故障时，能准确、及时地传递故障信息。
右军邀请你加入星球，一起学习！
右军终身成长陪伴免费星球，讨论技术、行业趋势、个体成长等话题，快来扫码加入星球一起吧。