Windows Azure中断调查

fmms 10年前
     作者    <a href="/misc/goto?guid=4958331883228531300">Jeff Martin</a> 译者    <a href="/misc/goto?guid=4958331654885407681">曹如进</a>    <p>        近日,微软 Azure 云计算平台部分服务发生中断,起因是一个闰年 bug。Azure 服务器和软件时间刚过 2 月 29 日 UST 时间 00:00,服务故障便拉开了序幕。日期变化暴露代码中存在缺陷——闰年没有被正确处理好。随后附加服务器的部署,让整个 Windows Azure 云平台陷入了级联错误。</p>    <p>        那么什么是导致失败的根本原因呢?Laing<a href="/misc/goto?guid=4958333431728626137">解释说</a>, 应用程序虚拟机使用传输证书与托管操作系统之间进行安全通信。传输证书创建后的持续时间仅被设计成一年。原有的缺陷代码在创建失效日期时,采用的方法是将 当前日期的年份字段加1,结果 2012 年 2 月 29 日创建的传输证书失效期被定为一个不存在的日期——2013年 2 月 29 日。该错误阻止了新的传输证书的创建,并成为了此次事件的导火索。</p>    <p lang="zxx">Laing 总结了微软采取的针对预防、检测、响应及恢复方面的几个步骤。此外,微软对于“所有使用 Windows Azure 计算、访问控制、服务总线与缓存”的用户,不管是否受到此次事件影响,都将提供 33% 的费用返还。</p>    <p style="text-align:center;"><img style="width:498px;height:132px;" alt="Windows Azure中断调查" src="https://simg.open-open.com/show/cb89173d1cdeb386248a0d21044cf4c3.jpg" /></p>    <p>        <em><a href="/misc/goto?guid=4958331672940734439">Windows Azure 服务仪表板</a></em> </p>    <p lang="zxx"><strong>        Windows Azure 中断时间线(以下所有时间均为美国太平洋时间)</strong></p>    <ul>     <li><strong>2012-02-28 16:00  </strong>错误最开始发生在 2012 年 2 月 29 日 00:00。新的虚拟机无法生成正确证书,结果自行终止。25分钟过后,托管操作系统重新启动虚拟机创建过程,但结果仍然失败。整个过程需要 3 次重启尝试,每次相距 25 分钟。</li>     <li><strong>2012-02-28 17:15  </strong>在错误发生整整 75 分钟之后,误差阈值达至上限,失效集群通知首要响应人员“受影响的系统无法恢复”。</li>     <li><strong>2012-02-28 18:38  </strong>响应团队初步确定问题出在日期/事件 bug 上。</li>     <li><strong>2012-02-28 18:55  </strong>基于团队对问题的评估,也为了防止用户造成额外的损害,微软禁用了全球范围内所有集群的服务管理功能。</li>     <li><strong>2012-02-28 22:00  </strong>响应团队为更新代码创建测试及上线计划。</li>     <li><strong>2012-02-28 23:20  </strong>代码更新完毕。</li>     <li><strong>2012-02-29 01:50</strong>  响应团队完成上线测试,将更新代码后的应用程序部署到测试集群中。</li>     <li><strong>2012-02-29 02:11</strong>   团队完成对生产集群的补丁部署,同时开始向所有集群部署补丁。</li>     <li><strong>2012-02-29 02:47  </strong>原有 bug 发生时,有 7 个集群在刚好处于部分更新状态。这 7 个集群收到的单独更新在部署之前并没有测试,结果又引入了另外一个 bug,继而导致网络连接失效。</li>     <li><strong>2012-02-29 03:30  </strong>为这 7 个单独的集群创建修订后的补丁,并在部署前进行了测试。修订版本计划在 05:40安装。</li>     <li><strong>2012-02-29 05:23  </strong>微软宣布大部分客户的服务管理功能已经恢复(除了那单独的 7 个集群以外)。</li>     <li><strong>2012-02-29 05:40  </strong>7个单独的集群接受更新以恢复网络功能。</li>     <li><strong>2012-02-29 08:00</strong>  7 个单独集群大部分可以运作。少数个别服务器由于各种不同的中断问题还存在错误,微软员工当天继续工作以进行修补。</li>     <li><strong>2012-03-01 02:15</strong>  所有集群服务全部功恢复正常。</li>    </ul>    <p>        <strong>查看英文原文:</strong><a href="/misc/goto?guid=4958333433265292130">http://www.infoq.com/news/2012/03/azure_outage</a></p>