FourSquare 经历两次宕机

美国东部标准时间 10 月 4 日和 5 日，互联网业界最有名也是最具价值的地理位置服务网站 FourSquare 经历了两次宕机事件，第一次长达 11 个小时，第二次也有 6 个小时。第一次宕机问题解决之后，FourSquare 技术团队在官方博客上发布帖子“这一次可真是郁闷了”，详细描述了该次发生问题的全过程。

FourSquare 使用 MongoDB 作为后台数据存储，他们保存了海量的用户签到（check-in）记录，并且使用用户 ID 对数据进行了分片（sharding），希望数据可以平均分布到不同的数据库片（shard）之中。4 日上午 11 时开始，FourSquare 发现某一个数据库片的写入操作出现异常，在接下来的一个半小时，他们采取各种负载均衡措施，均不起效。他们希望引入一个新的数据库片，并在不关闭网站的情况下，将过载的数据库片中的部分数据转移到新的数据库片中。然而，该操作没有成功，同时直接导致整个网站关闭。不仅如此，将数据向新的数据库片迁移也没有腾出原先预期的存储空间数量。（他们认为“数据碎片化”和“使用用户 ID 切分”是两个主要原因。）接下来五个小时的各种努力也没有起效，网站仍然没有起来。

4 日下午 6 时 30 分，他们决定重新建立数据库分片索引，这可以解决内存碎片化和可用性的问题。这个过程耗时 5 个小时。到晚上 11 时 30 分，网站恢复。而且由于他们之前做了足够的安全保障和备份工作，没有任何数据丢失。

FourSquare 团队在该帖子中提到，将会采取三种措施避免类似状况：

1. 进一步与 MongoDB 的开发者们密切合作。
2. 改变运维流程，防止过载发生。
3. 寻找服务降级的方法，关闭某些服务，以避免整个网站全部受影响宕机。

然而，刚刚过了几个小时，FourSquare 再次经历了第二次宕机⋯⋯

最新的博客帖子这样说明第二次发生问题的过程：

简单来说，还是发生了同样的事情：数据库过载，解决方案还是手动重新分配用户签到数据，以确保没有数据库过载，然后重启网站；在将近 6 个小时之后，我们终于恢复了服务。

除了 FourSquare 自己的讲述之外，MongoDB 的开发公司 10gen 的 CTO 和联合创始人 Eliot Horowitz 也分析了整个过程，请关注 InfoQ 对于该事件的后续报道。