前段時(shí)間滴滴的故障相信大家都知道了。

中斷業(yè)務(wù) 12 小時(shí)定級(jí)為 P0 級(jí)故障一點(diǎn)都不冤。

故障回顧

網(wǎng)上有傳言是運(yùn)維人員升級(jí) k8s 時(shí)，本來計(jì)劃是從 1.12 版本升級(jí)到 1.20，但是操作失誤選錯(cuò)了版本，操作了集群降級(jí)到低版本。

從下面滴滴技術(shù)的博客中也可以看到滴滴的升級(jí)方案：

滴滴為了降低升級(jí)成本，選擇了原地升級(jí)的方式。首先升級(jí) master，然后升級(jí) node。我們一起看一下 k8s 官方架構(gòu)：

img

master(官網(wǎng)圖中叫 CONTROL PLANE) 節(jié)點(diǎn)由 3 個(gè)重要的組件組成:

cloud-controller-manager:負(fù)責(zé)容器編排;

kube-api-server:為 Node 節(jié)點(diǎn)提供 api 注冊服務(wù)；

scheduler：負(fù)責(zé)任務(wù)調(diào)度。

Node 節(jié)點(diǎn)向 kube-api-server 注冊成功后，才可以運(yùn)行 Pod。從滴滴的博客中可以看到，采用原地升級(jí)的方式，升級(jí)了 master 之后，逐步升級(jí) Node，Node 會(huì)有一個(gè)重新注冊的過程，不過既然選擇這個(gè)方案，運(yùn)維人員應(yīng)該反復(fù)演練過，重新注冊耗時(shí)應(yīng)該非常短，用戶無感知。

但是 master 選錯(cuò)版本發(fā)生降級(jí)時(shí)，會(huì)把 kube-api-server 污染，Node 節(jié)點(diǎn)注冊 master 失敗，又不能快速回滾，這樣 Node 節(jié)點(diǎn)被集群認(rèn)為是非健康節(jié)點(diǎn)，上面的 pod 被 kill 掉，服務(wù)停止。

集群隔離

這次故障大家討論的話題還有一個(gè)比較熱門的就是 k8s 集群隔離，因?yàn)槎鄠€(gè)業(yè)務(wù)比如打車業(yè)務(wù)、單車業(yè)務(wù)同時(shí)掛，說明都在一個(gè)集群上，沒有單獨(dú)建集群來做隔離，這可能也是博客中說的“最大集群規(guī)模已經(jīng)遠(yuǎn)遠(yuǎn)超出了社區(qū)推薦的5千個(gè) node 上限”的原因。

當(dāng)然也有可能當(dāng)時(shí)野蠻生長的時(shí)候，為了快速上線開展業(yè)務(wù)，就多個(gè)業(yè)務(wù)建在了一個(gè)集群上，后來可能也有過拆分的想法，但發(fā)現(xiàn)業(yè)務(wù)上升空間已經(jīng)很小，現(xiàn)有集群可以維持，所以就擱置了。

拆分成多個(gè)集群好處很明顯，業(yè)務(wù)隔離，故障隔離，可靠性增加，就拿這次升級(jí)來說，先升級(jí)一個(gè)不太關(guān)鍵、業(yè)務(wù)量也比較小的集群做試點(diǎn)，升級(jí)成功了再逐個(gè)升級(jí)其他集群。

但缺點(diǎn)也很明顯，運(yùn)維復(fù)雜度增加，成本增加。

升級(jí)方案

工作這些年，也參與過一些大規(guī)模的平臺(tái)重構(gòu)，但原地升級(jí)真的是沒有接觸過，主要原因就是架構(gòu)師們不太愿意選擇原地升級(jí)的方案。而他們主要出于下面考慮：

業(yè)務(wù)系統(tǒng)原地重構(gòu)升級(jí)，不像推翻重做能夠更徹底地升級(jí)改造；

考慮對業(yè)務(wù)影響最小，一般是要通過灰度發(fā)布漸進(jìn)地把流量切過去；

替換升級(jí)的方案，更能展現(xiàn)團(tuán)隊(duì)的產(chǎn)出。

對于滴滴這樣的大公司，相信運(yùn)維團(tuán)隊(duì)大咖如云，無論采用哪種方案，肯定都是經(jīng)過反復(fù)驗(yàn)證的，或許不要選錯(cuò)版本，原地升級(jí)也沒有問題。

降本增效

看了微博上滴滴道歉的留言區(qū)，好多人猜測這次事故的原因是降本增效，裁掉了一線高成本的運(yùn)維，保留了成本低的新人。

從數(shù)據(jù)上來看，出于降本增效的目的，滴滴這兩年確實(shí)少了很多人，但我不相信這是造成事故的直接原因。

在快速增長的階段，確實(shí)需要投入大量的技術(shù)人員來建設(shè)系統(tǒng)。但國內(nèi)互聯(lián)網(wǎng)規(guī)模也基本見頂了，一個(gè)業(yè)務(wù)經(jīng)營這么多年，不會(huì)再有爆發(fā)式地增長，系統(tǒng)也已經(jīng)非常穩(wěn)定。這樣的背景下，公司確實(shí)用不了這么多技術(shù)人員了，留下部分人員來維護(hù)就夠了。

所以，無論哪家公司，降本增效是業(yè)務(wù)穩(wěn)定后必定會(huì)經(jīng)歷的階段。想想滴滴這次 12 小時(shí)故障的損失，能比養(yǎng) 1000 個(gè)技術(shù)人員的成本高嗎？

對于我們研發(fā)人員，如果有機(jī)會(huì)進(jìn)入快速增長的公司，那就抓住機(jī)會(huì)多掙錢，被裁員的時(shí)候平常心看待就可以了，想在一家公司干到退休太難了。同時(shí)也要看到自己給公司帶來的價(jià)值，千萬不要認(rèn)為我們技術(shù)厲害就比那個(gè) PPT 工程師更有價(jià)值。

總結(jié)

本文根據(jù)網(wǎng)上流傳的滴滴故障的原因，分析了升級(jí)方案和降本增效。

最后，又快年末了，希望大家都能維護(hù)好自己的系統(tǒng)，不要發(fā)生嚴(yán)重故障影響自己的年底考核。