每當有機會寫故障類主題的時候，我都會在開始前靜靜地望著顯示器很久，經(jīng)過多次煎熬和掙扎之后才敢提起筆來，為什么呢?因為這樣的話題很容易招來吐槽，比如 “說了半天，不就是配置沒配好嗎?”，或者 “這代碼是豬寫的嗎?你們團隊有懂性能測試的同學(xué)嗎?”，這樣的評論略帶挑釁，而且充滿了鄙視之意。

不過我覺得，在技術(shù)的世界里，多數(shù)情況都是客觀場景決定了主觀結(jié)果，而主觀結(jié)果又反映了客觀場景，把場景與結(jié)果串起來，用自己的方式寫下來，傳播出去，與有相同經(jīng)歷的同學(xué)聊上一聊，也未嘗不是一件好事。

[[256120]]

我們的系統(tǒng)因注冊中心崩塌而引發(fā)的一場事故，本是一件稀松平常的事件，可我們猜中了開始卻沒料到原因，始作俑者竟是已在產(chǎn)線運行多年的某分布式緩存系統(tǒng)。

這到底是怎么一回事呢?

先來回顧一下故障過程

11月，某交易日的上午10點左右。

在中間件監(jiān)控系統(tǒng)沒有觸發(fā)任何報警的情況下，某應(yīng)用團隊負責人突然跑過來說：“怎么緩存響應(yīng)怎么慢?你們在干什么事嗎?”

由于此正在交易盤中，中間件運維團隊瞬間炸鍋，緊急查看了一系列監(jiān)控數(shù)據(jù)，先是通過Zabbix查看了如CPU、內(nèi)存、網(wǎng)絡(luò)及磁盤等基礎(chǔ)預(yù)警，一切正常，再查看服務(wù)健康狀況，經(jīng)過一圈折騰之后，也沒發(fā)現(xiàn)任何疑點。

懵圈了，沒道理啊。

10點30分，收到一通報警信息，內(nèi)容為 “ZK集群中的某一個節(jié)點故障，端口不通，不能獲取node信息，請迅速處理!”。

這簡單，ZK服務(wù)端口不通，重啟，立即恢復(fù)。

10點40分，ZK集群全部癱瘓，無法獲取Node數(shù)據(jù)，由于應(yīng)用系統(tǒng)的Dubbo服務(wù)與分布式緩存使用的是同一套ZK集群，而且在此期間應(yīng)用未重啟過，因此應(yīng)用服務(wù)自身暫時未受到影響。

沒道理啊，無論應(yīng)用側(cè)還是緩存?zhèn)?，近一個月以來都沒有發(fā)布過版本，而且分布式緩存除了在ZK中存一些節(jié)點相關(guān)信息之外，基本對ZK無依賴。

10點50分，ZK集群全部重啟，10分鐘后，再次癱瘓。

神奇了，到底哪里出了問題呢?

10點55分，ZK集群全部重啟，1分鐘后，發(fā)現(xiàn)Node Count達到近22W+，再次崩潰。

10點58分，通過增加監(jiān)控腳本，查明Node源頭來自分布式緩存系統(tǒng)的本地緩存服務(wù)

11點00分，通過控制臺關(guān)閉本地緩存服務(wù)后，ZK集群第三次重啟，通過腳本刪除本地化緩存所產(chǎn)生的大量node信息。

11點05分，產(chǎn)線ZK集群全部恢復(fù)，無異常。

一場風波雖說過去了，但每個人的臉上流露出茫然的表情，邪了門了，這本地緩存為什么能把注冊中心搞崩塌?都上線一年多了，之前為什么不出問題?為什么偏偏今天出事?

一堆的問好，充斥著每個人的大腦。

我們本地緩存的工作機制

去年，我曾經(jīng)在 #好買的分布式緩存中間件# 的內(nèi)容中對我們的分布式緩存做過相對詳細的說明，所以在這里，我就通過系統(tǒng)流程示意圖的方式，簡要的說明下我們本地緩存系統(tǒng)的一些核心工作機制。

• 非本地緩存的工作機制

• 本地緩存的工作機制 - KEY預(yù)加載/更新

• 本地緩存的工作機制 - Set/Delete操作

• 本地緩存的工作機制 - Get操作

順帶提一句，由于歷史性與資源緊缺的原因，我們部分緩存系統(tǒng)與應(yīng)用系統(tǒng)的ZK集群是混用的，正因如此，給本次事故埋下了隱患。

ZK集群是怎樣被搞掛的呢?

說到這里，相信對中間件有一定了解的人基本能猜出本事件的全貌。

簡單來說，就是在上線初期，由于流量小，應(yīng)用系統(tǒng)接入量小，我們本地緩存的消息通知是利用ZK來實現(xiàn)的，而且還用到了廣播。但隨著流量的增加與應(yīng)用系統(tǒng)接入量的增多，消息發(fā)送量成倍增長，最終達到承載能力的上限，ZK集群崩潰。

的確，原因基本猜對了，但消息發(fā)送量為什么會成倍的增長呢?

根據(jù)本地緩存的工作機制，我們一般會在里面存些什么呢?

1. 更新頻率較低，但訪問卻很頻繁，比如系統(tǒng)參數(shù)或業(yè)務(wù)參數(shù)。
2. 單個Key/Value較大，網(wǎng)絡(luò)消耗比較大，性能下降明顯。
3. 服務(wù)端資源匱乏或不穩(wěn)定(如I/O)，但對穩(wěn)定性要求極高。

懵圈了，就放些參數(shù)類信息，而且更新頻率極低，這樣就把五個節(jié)點的ZK集群發(fā)爆了?

為了找到真相，我們立即進行了代碼走讀，最終發(fā)現(xiàn)了蹊蹺。

根據(jù)設(shè)計，在 “本地緩存的工作機制 - Set/Delete操作” 的工作機制中，當一個Key完成服務(wù)端緩存操作后，如果沒有被加到本地緩存規(guī)則列表中的KEY，是不可能被觸發(fā)消息通知的，但這里明顯存在BUG，導(dǎo)致把所有的KEY都發(fā)到了ZK中。

這樣就很好理解了，雖然應(yīng)用系統(tǒng)近期沒有發(fā)布版本，但卻通過緩存控制臺，悄悄地把分布式鎖加到了這套緩存分片中，所以交易一開盤，只需幾十分鐘，立馬打爆。

另外，除了發(fā)現(xiàn)BUG之外，通過事后測試驗證，我們還得出了以下幾點結(jié)論：

1. 利用ZK進行消息同步，ZK本身的負載能力較弱，是否切換到MQ?
2. 監(jiān)控手段的單一，監(jiān)控的薄弱;
3. 系統(tǒng)部署結(jié)構(gòu)不合理，基礎(chǔ)架構(gòu)的ZK不應(yīng)該與應(yīng)用的ZK混用;

說到這里，這個故事也該結(jié)束了。

講在最后

看完這個故事，一些愛好懟人的小伙伴也許會忍不住發(fā)問。你們自己設(shè)計的架構(gòu)，你們自己編寫的代碼，難道不知道其中的邏輯嗎?這么低級的錯誤，居然還有臉拿出來說?

那可未必，對每個技術(shù)團隊而言，核心成員的離職與業(yè)務(wù)形態(tài)的變化，都或多或少會引發(fā)技術(shù)團隊對現(xiàn)有系統(tǒng)形成 “知其然而，卻不知其所以然” 的情況，雖說每個團隊都在想方設(shè)法進行避免，但想完全杜絕，絕非易事。

作為技術(shù)管理者，具備良好的心態(tài)，把每次故障都看成是一次蟬變的過程，從中得到總結(jié)與經(jīng)驗，并加以傳承，今后不再就犯，那就是好樣的。

不過，萬一哪天失手，給系統(tǒng)來了個徹底癱瘓，該怎么辦呢?

祝大家一切順利吧。