Cloudflare 是一家从事 Web 性能和可靠性保证的公司，最近，它的网络性能和服务出现了部分中断，持续了 27 分钟。Cloudflare 主干网中的一个错误导致了这次中断，导致整个网络的流量下降了 50%。CloudFlare CTO John Graham-Cumming 在博文中澄清，这次中断不是由任何类型的攻击或破坏引起的。
Graham-Cumming 表示，公司的网络工程团队更新了一个路由器配置，以便减少网络拥塞，解决一个不相关的问题。问题出在主干网从纽瓦克到芝加哥之间的一个分段上。配置上的错误导致所有的通信通过主干网被发送到亚特兰大路由器，给路由器造成巨大的负载。
这导致连接到亚特兰大的 Cloudflare 网络位置不可用。受影响的 20 个地点分别是圣何塞、达拉斯、西雅图、洛杉矶、芝加哥、华盛顿特区、里士满、纽瓦克、亚特兰大、伦敦、阿姆斯特丹、法兰克福、巴黎、斯德哥尔摩、莫斯科、圣彼得堡、圣保罗、库里提巴和阿雷格里港。
Twitter 用户开始报告服务出现故障，League of Legends、Deliveroo、Discord、Feedly、GitLab、Medium、Patreon、Politico 和 Shopify 等网站都受到了影响。
Graham-Cumming 向大家道歉，并对主干网的配置做了一个全面的修改，以防止这种中断再次发生。Cloudflare 首席执行官 Matthew Prince 进一步透露了细节，他在推特上写道：“根本原因是主干网上的路由器配置错误。我们已经采取了防护措施，以确保在未来类似的错误在不会造成问题。”
网络论坛上既有支持的也有表示怀疑的。在 Reddit 上，一位名叫 rotarychainsaw 的用户对容易犯的小错误（比如输入错误）表示同情，“我的意思是……谁以前没有犯过这样的错误呢？”其他几个评论者在同一个帖子对审核过程提出了质疑，hennirl 问道：“我很好奇这个变更是如何通过变更审核的。他们肯定有不同的配置变化，至少有两波人在看吧？……”。
2019 年 7 月 2 日也发生了一次类似的中断，当时 Cloudflare 网站抛出了 502 错误，原因是 CPU 利用率大幅上升。Jerome Fleury 在推特上敦促用户提出 (“困难的”) 问题，他说宕机让他们学到了“很多教训”。
有兴趣的读者可以在 InfoQ 与 Ryan kitchen 的相关播客以及 Learning from Incidents 博客中看到更多关于后期剖析、“根源”问题、克服学习障碍等话题。
原文链接：
评论