关于阿里云香港 Region 可用区 C 服务中断事件的说明
关于阿里云香港 Region 可用区 C 服务中断事件的说明
程序员朱永胜有的时候博客内容会有变动,首发博客是最新的,其他博客地址可能会未同步, 认准
https://blog.zysicyj.top
北京时间 2022 年 12 月 18 日,阿里云香港 Region 可用区 C 发生大规模服务中断事件。经过复盘,我们在这里向大家进一步说明故障情况、问题分析和改进措施。
处理过程
12 月 18 日 08:56,阿里云监控到香港 Region 可用区 C 机房包间通道温控告警,阿里云工程师介入应急处理,通知机房服务商进行现场排查。09:01,阿里云监控到该机房多个包间温升告警,此时工程师排查到冷机异常。09:09,机房服务商按应急预案对异常冷机进行 4+4 主备切换以及重启,但操作失败,冷水机组无法恢复正常。09:17,依照故障处理流程,启动制冷异常应急预案,进行辅助散热和应急通风。尝试对冷机控制系统逐个进行隔离和手工恢复操作,但发现无法稳定运行,联系冷机设备供应商到现场排查。此时,由于高温原因,部分服务器开始受到影响。
自 10:30 开始,为避免可能出现的高温消防问题,阿里云工程师陆续对整个机房计算、存储、网络、数据库、大数据集群进行降载处理。期间,继续多次对冷机设备进行操作,但均不能保持稳定运行。
12:30,冷机设备供应商到场,在多方工程师诊断下,对冷塔、冷却水管路及冷机冷凝器进行手工补水排气操作,但系统仍然无法保持稳定运行。阿里云工程师对部分高温包间启动服务器关机操作。14:47,冷机设备供应商对设备问题排查遇到困难,其中一个包间因高温触发了强制消防喷淋。15:20,经冷机设备商工程师现场手工调整配置,冷机群控解锁完成并独立运行,第 1 台冷机恢复正常,温度开始下降。工程师随后继续通过相同方法对其他冷机进行操作。18:55,4 台冷机恢复到正常制冷量。19:02,分批启动服务器,并持续观察温升情况。19:47,机房温度趋于稳定。同时,阿里云工程师开始进行服务启动恢复,并进行必要的数据完整性检查。
21:36,大部分机房包间服务器陆续启动并完成检查,机房温度稳定。其中一个包间因消防喷淋启动,未进行服务器上电。因为保持数据的完整性至关重要,工程师对这个包间的服务器进行了仔细的数据安全检查,这里花费了一些必要的时间。22:50,数据检查以及风险评估完成,最后一个包间依据安全性逐步进行供电恢复和服务器启动。
服务影响
12 月 18 日 09:23,香港 Region 可用区 C 部分 ECS 服务器开始出现停机,触发同可用区内宕机迁移。随着温度继续升高,受影响的服务器停机数量持续增加,客户业务开始受到影响,影响面扩大到香港可用区 C 的 EBS、OSS、RDS 等更多云服务。
阿里云香港可用区 C 的故障,没有直接影响客户在香港其他可用区运行的业务,但影响了香港 Region ECS 管控服务(Control Plane)的正常使用。因大量可用区 C 的客户在香港其他可用区新购 ECS 实例,从 12 月 18 日 14:49 开始,ECS 管控服务触发限流,可用性最低跌至 20%。客户在使用 RunInstances/CreateInstance API 购买新 ECS 实例时,如果指定了自定义镜像,部分实例在购买成功之后会出现启动失败的现象,由于自定义镜像数据服务依赖可用区 C 的单 AZ 冗余版本的 OSS 服务,无法通过重试解决。此时,部分 Dataworks、k8s 用户控制台操作也受到了故障影响。API 完全恢复可用为当日 23:11。
12 月 18 日 10:37,阿里云香港可用区 C 的部分存储服务 OSS 开始受到停机影响,此时客户暂不会感知,但持续高温会导致磁盘坏道,影响数据安全,工程师对服务器进行停机操作,从 11:07 至 18:26 中断了服务。阿里云在香港 Region 可用区 C 提供了 2 种类型的 OSS 服务,一种是 OSS 本地冗余 LRS 服务(通常叫单 AZ 冗余服务),仅部署在可用区 C;另一种是 OSS 同城冗余 ZRS 服务(通常叫 3AZ 冗余服务),部署在可用区 B、C 和 D。在此次故障中,OSS 同城冗余 ZRS 服务基本没有受到影响。可用区 C 的 OSS 本地冗余服务中断时间较长,因不支持跨可用区切换,需要依赖故障机房的恢复。从 18:26 开始,存储服务器重新分批启动。其中,单 AZ 本地冗余 LRS 服务有部分服务器因消防问题需要做隔离处理。恢复服务前,我们必须要确保数据可靠性,花费了较多的时间进行完整性检验工作。直至 12 月 19 日 00:30,这部分 OSS 服务(单 AZ 冗余服务)才恢复了对外服务能力。
阿里云网络少量单可用区产品(如:VPN、Privatelink 以及少量 GA 实例)在此次故障中受到影响。12 月 18 日 11:21,工程师启动网络产品可用区容灾逃逸,12:45 完成 SLB 等大部分网络产品可用区容灾逃逸,13:47NAT 产品完成收尾逃逸。除上述少量单可用区产品以外,各网络产品在故障期间保持了业务连续性,NAT 有分钟级业务受损。
12 月 18 日 10:17 开始,阿里云香港 Region 可用区 C 部分 RDS 实例出现不可用的报警。随着该可用区受故障影响的主机范围扩大,出现服务异常的实例数量随之增加,工程师启动数据库应急切换预案流程。截至 12:30,RDS MySQL 与 Redis、MongoDB、DTS 等大部分跨可用区实例完成跨可用区切换。部分单可用区实例以及单可用区高可用实例,由于依赖单可用区的数据备份,仅少量实例实现有效迁移。少量支持跨可用区切换的 RDS 实例没有及时完成切换。经排查是由于这部分 RDS 实例依赖了部署在香港 Region 可用区 C 的代理服务,由于代理服务不可用,无法通过代理地址访问 RDS 实例。我们协助相关客户通过临时切换到使用 RDS 主实例的地址访问来进行恢复。随着机房制冷设备恢复,21:30 左右绝大部分数据库实例恢复正常。对于受故障影响的单机版实例及主备均在香港 Region 可用区 C 的高可用版实例,我们提供了克隆实例、实例迁移等临时性恢复方案,但由于底层服务资源的限制,部分实例的迁移恢复过程遇到一些异常情况,需要花费较长的时间来处理解决。
我们注意到,同时在多个可用区运行业务的客户,在这次事件中依然可以维持业务运行。对于业务需要绝对高可用的客户,我们持续建议您采用全链路多可用区的业务架构设计,以应对各种可能的意外事件。
问题分析与改进措施
- 冷机系统故障恢复时间过长
原因分析:机房冷却系统缺水进气形成气阻,影响水路循环导致 4 台主冷机服务异常,启动 4 台备冷机时因主备共用的水路循环系统气阻导致启动失败。水盘补水后,因机房冷却系统的群控逻辑,无法单台独立启动冷机,手工修改冷机配置,将冷机从群控调整为独立运行后,陆续启动冷机,影响了冷却系统的恢复时长。整个过程中,原因定位耗时 3 小时 34 分钟,补水排气耗时 2 小时 57 分钟,解锁群控逻辑启动 4 台冷机耗时 3 小时 32 分钟。
改进措施:全面检查机房基础设施管控系统,在监控数据采集层面,扩大覆盖度,提升精细度,提高对故障的排查和定位速度;在设施管控逻辑层面,确保系统自动切换逻辑符合预期,同时保证手工切换的准确性,防止内部状态死锁从而影响故障的恢复。
- 现场处置不及时导致触发消防喷淋
原因分析:随着机房冷却系统失效,包间温度逐渐升高,导致一机房包间温度达到临界值触发消防系统喷淋,电源柜和多列机柜进水,部分机器硬件损坏,增加了后续恢复难度和时长。
改进措施:加强机房服务商管理,梳理机房温升预案及标准化执行动作,明确温升场景下的业务侧关机和机房强制关电的预案,力求更简单有效,并通过常态化演练强化执行。
- 客户在香港地域新购 ECS 等管控操作失败
原因分析:ECS 管控系统为 B、C 可用区双机房容灾,C 可用区故障后由 B 可用区对外提供服务,由于大量可用区 C 的客户在香港其他可用区新购实例,同时可用区 C 的 ECS 实例拉起恢复动作引入的流量,导致可用区 B 管控服务资源不足。新扩容的 ECS 管控系统启动时依赖的中间件服务部署在可用区 C 机房,导致较长时间内无法扩容。ECS 管控依赖的自定义镜像数据服务,依赖可用区 C 的单 AZ 冗余版本的 OSS 服务,导致客户新购实例后出现启动失败的现象。
改进措施:全网巡检,整体优化多 AZ 产品高可用设计,避免出现依赖 OSS 单 AZ 和中间件单 AZ 的问题。加强阿里云管控平面的容灾演练,进一步提升云产品高可用容灾逃逸能力。
- 故障信息发布不够及时透明
原因分析:故障发生后阿里云启动对客钉群、公告等通知手段,由于现场冷机处理进展缓慢,有效信息不够。Status Page 页面信息更新不及时引发客户困惑。
改进措施:提升故障影响和客户影响的快速评估和识别拉取能力。尽快上线新版的阿里云服务健康状态页面(Status Page),提高信息发布的速度,让客户可以更便捷地了解故障事件对各类产品服务的影响。
总结
最后,我们要向所有受到故障影响的客户公开致歉,并尽快处理赔偿事宜。此次香港 Region 可用区 C 服务中断事件,对很多客户的业务产生重大影响,也是阿里云运营十多年来持续时间最长的一次大规模故障。稳定性是云服务的生命线,对我们的客户至关重要。我们将尽一切努力从此次事件中吸取经验教训,持续提升云服务的稳定性,不辜负客户所托!
阿里云
2022 年 12 月 25 日