故障影響有多嚴重

　　6月27日晚，北京國貿寫字樓2座燈火通明。林曉宇疾步往返于運維部與研發部的走廊上，表情有些凝重。

　　一場因阿里云故障引發的突發事件，導致他所在的互聯網金融公司幾近癱瘓。在運維部工作近一年，林曉宇***受到公司各層級領導的“關注”。

　　“很多部門的Leader都打電話，問我怎么回事”，面對質疑，林曉宇很是無奈。他回憶說，事發時，業務數據無法讀取，交易短暫停滯，客服投訴量激增……運維部和開發部啟動了自檢，因服務器無法登錄及文件存儲NAS不能服務，問題也被很快確認：阿里云出了問題。

　　不能坐以待斃！

　　林曉宇所在的運維部啟動了應急預案：在線服務失效，轉為本地服務的Kubernetes容器集群，結果失效。采取手動更改，對象存儲OSS失效，SLS失效……

　　留給他的，只有等待。

　　在等待的過程中，林曉宇一直琢磨：宣傳時說“提供99.9%可靠性”，難道我們就是那0.1%？

　　驚魂一小時

　　根據阿里云官方描述，其在中國公共云市場占有率超過2至5名的總和，目前中國有40%的網站都在阿里云上運營，一半獨角獸公司也在使用阿里云。以這個體量計算，即便是那0.1%的用戶，因為不明原因“宕機”所產生的焦慮感，也足以在社交網絡上掀起軒然大波。

　　當天下午4點半開始，不斷有“阿里云宕機”的消息在微博和微信群中傳出。用戶們指出，故障原因集中表現在官方網站和控制臺無法訪問。而當時，阿里云內部人員向新浪科技提供的***份回應是賬戶登陸異常，云服務器不受影響，此次故障并非宕機。

　　但官方回應迅速發酵出第二輪不滿情緒。大量用戶在新浪科技發出的微博下面投訴其他功能也被波及——和林曉宇一樣，除了無法登陸之外，OpenSearch失效，ONS失效，NAS失效，OSS失效——簡單來說，除了登陸環節異常外，阿里云的多個產品在該時段均無法使用。

　　最終，阿里云在下午發布故障公告，確認了除部分管控功能外，MQ、NAS、OSS等產品的部分功能出現訪問異常。此次事故從16點21分至17點30分，時長約一小時。

　　一位用戶點評道：中國互聯網半壁江山，驚魂整整一小時！

　　半壁江山還是0.1%？

　　郭寧顯然在另外半壁江山里。27日晚高峰，他走出望京的寫字樓，擠上地鐵，打開手機刷了眼新聞，才知道這天下午阿里云“掛”了。

　　“什么異常都沒有。”郭寧目前在一家IT公司負責開發團隊，產品均托管在阿里云上，涉及ESC和其他多個云服務。但他向新浪科技表示，自己的產品沒有受到任何影響。“網上那些問題一個都沒碰到。”

　　實際上，不只是郭寧，新浪科技接觸到的多名開發人員中，大多數都和郭寧一樣，在宕機期間內毫無感覺。而唱吧、e代駕等使用阿里云的移動互聯網應用，也幾乎沒有發出過抱怨的聲音。

　　不過，對于那些“驚喜”一小時的用戶來說，麻煩是切切實實的存在。據新浪科技不完全統計，此次事故受影響的范圍十分廣泛，包括電商、互金、通訊語音及教育行業等。阿里云客服人員表示，“此次屬于大面積故障，基本上平臺大部分業務全掛了”，但具體影響范圍及用戶數量無法確定。

　　更麻煩的還在后面。

　　林曉宇說，雖然故障后來得到了排除，但部門需要進行業務數據修復，這無疑增加了工作量。

　　一家從事電商業務的員工告訴新浪科技，當天正進行用戶拉新活動，注冊短信接口全部失效，導致新增量在一兩小時內為零，“老板不會關心服務器異常，他只會認為是我們工作沒做到位”。

　　一個bug引發的慘案

　　次日凌晨，阿里云發布了故障原因說明：工程師團隊在上線一個自動化運維新功能中，執行了一項變更驗證操作。這一功能在測試環境驗證中并未發生問題，上線到自動化運維系統后，觸發了一個未知代碼bug，錯誤代碼禁用了部分內部IP，導致部分產品訪問鏈路不通。后續人工介入后，工程師團隊快速定位問題進行了恢復。

　　新浪科技曾向阿里云方面詢問具體的bug觸發原因，但對方拒絕回答。

　　各種段子一般的推測加入了下一輪傳播。其中流傳最廣的一個版本是：剛剛招了兩個實習生——誤刪了登陸服務。

　　“實習生誤刪登陸服務之說，應該是不存在的。”IT領域自媒體“Linux高薪集訓營“引用了原美團點評運維架構師及馬哥教育聯合創始人張sir的解讀，“一方面，大型互聯網公司尤其是阿里云這樣的公司，對工程師權限有著極為嚴格的控制，因為阿里云數十萬臺服務器，支撐了全國各行各業千億以上規模的線上業務，不可能讓實習生不熟悉的情況下，給予過高的管理權限。這是極其不專業的做法。”

　　張Sir從阿里巴巴內部得知，這次故障影響了整個阿里巴巴集團，其中包括阿里云、螞蟻金服、天貓、飛豬、優酷等事業群，其中阿里云的故障等級為S1。

　　在阿里巴巴的線上業務故障級別中，對S1的定義是：核心業務重要功能不可用，影響部分用戶，造成一定損失。

　　“故障的嚴重程度是非常高的，整個阿里集團的核心業務，以及依托阿里云的公司，很多都受到了影響。”張Sir表示。

　　不過，新浪科技發現，天貓、支付寶、飛豬、優酷等相關產品的訪問當天并未受到影響。

　　至于具體原因，是一個核心應用請求虛擬IP地址（Virtual IP Address VIP）列表的時候得到了空列表，導致幾千個VIP不可用，進而影響到了整個集團的業務。

　　“VIP是集群業務的入口，通過一個VIP的地址，可以實現一組業務的訪問。如果數千個VIP被禁用了，可能后端上萬臺的服務、應用、數據庫等將直接無法訪問。”張Sir解釋。這也符合阿里云的官方解釋：“本次故障測試通過了，在生產環境觸發了一個未知bug。”

　　對此，阿里云方面不予置評。

　　“雞蛋不能放在一個籃子里”

　　實際上，云服務宕機波及大量互聯網應用并不罕見。去年2月28日，云計算鼻祖亞馬遜AWS的云存儲團隊在調試時錯輸了一條指令，意外移除了大量服務器，導致進出AWS東一服務區基礎設施的流量瞬間消失，停機長達3小時之久。

　　由于AWS在美國市場處于領先地位，包括Adobe、Airbnb、Github、納斯達克、Netflix、Slack、通用電氣、Quora等知名科技公司均被殃及。根據外媒估算，此次宕機造成了***數千萬美元的損失。

　　“雞蛋不能放在同一個籃子里，就是這個道理。” 中國平安運維部負責人在接受新浪科技采訪時指出，云服務是把“雙刃劍”，一方面，的確為眾多企業、尤其是中小企業帶來了便利，但在發生問題時，給企業帶來的影響和損失也是巨大的。

　　該負責人稱，因行業不同，影響及損失有所區分。例如電商企業，一旦發生云計算事故，直接影響到銷售額，同時供應商的利益可能會受到牽連，還有潛在的企業誠信等問題。

　　從用戶層面看，因為故障會導致即時信息無法獲取，降低體驗感。而對于那些以網絡進行交易的用戶來說，損失將更大。

　　同樣是去年，納斯達克的報價傳輸系統發送的測試數據在7月份被第三方機構不當使用，出現重大錯誤。谷歌、蘋果、亞馬遜一度出現不合理的股價暴跌，其中亞馬遜暴跌了87%。而在2013年，納斯達克就出現過類似錯誤，并導致當天停盤長達三小時。

　　“很多大企業都會分散選擇云服務商”，該負責人表示，一般情況下，小型企業受限于資金或人員等因素，可能會將所有服務放在同一品牌的云服務上。而多數中型企業，會選擇多個廠商同時服務。但是，不同廠商間的產品屬性存在差異化，可能會導致數據無法同步等情況出現。

　　信譽如何用賠償解決？

　　幾年前，阿里云曾推出100倍故障賠償，即由于阿里云故障導致產品無法正常使用的情況，阿里云將提供100倍的故障時間賠償。

　　但阿里云相關負責人向新浪科技表示，賠償問題將按照相關服務保障條款進行處理。

　　“必須要有詳細的清單”，客服人員表示，根據業務損失情況，法務部人員和業務專員會進行核查，核查無誤會進行賠償。

　　新浪科技查詢了阿里云的產品及服務協議規定，按照目前的規定，包月服務和資源包服務發生故障，賠償總額不會超過服務器內故障涉及服務費用的總額。如果時按量付費，賠償總額不會超過過去12個月，故障涉及服務的已繳納費用總額。

　　但對于那些經歷了宕機痛苦的阿里云用戶們來說，賠償與否已經不是當下最重要的問題了。曾經，阿里云因為“靠譜”被廣大網友呼吁站出來幫鐵總解決12306訂票難的問題，但此刻，林曉宇不由地開始懷疑阿里云是否真正可靠。