1957名用户报障！腾讯云公布4月8日故障复盘：云API异常持续近87分钟

4月8日，有大量网友反馈，称腾讯云出现服务故障，出现腾讯云控制台登录不上等情况。

今日，腾讯云发布4月8日故障复盘及情况说明。

经过故障定位发现，客户登录不上控制台正是由云API异常所导致，故障发生后，依赖云API提供产品能力的部分公有云服务。

也因为云API的异常出现了无法使用的情况，比如云函数、文字识别、微服务平台、音频内容安全、验证码等。

官方表示，此次故障一共持续了近87分钟，期间共有1957个客户报障。

故障的原因是云API服务新版本向前兼容性考虑不够和配置数据灰度机制不足的问题。

本次API升级过程中，由于新版本的接口协议发生了变化，在后台发布新版本之后对于旧版本前端传来的数据处理逻辑异常，导致生成了一条错误的配置数据，由于灰度机制不足导致异常数据快速扩散到了全网地域，造成整体API使用异常。

腾讯云称，发生故障后，按照标准回滚方案将服务后台和配置数据同时回滚到旧版本，并重启API后台服务，但此时因为承载API服务的容器平台也依赖API服务才能提供调度能力，即发生了循环依赖，导致服务无法自动拉起。

通过运维手工启动方式才使API服务重启，完成整个故障恢复。

问题复盘

整个处理过程如下：

1.15:23，监测到故障，立即执行服务的恢复，同时进行原因的排查；

2.15:47，发现通过回滚版本没能完全恢复服务，进一步定位问题；

3.15:57，定位出故障根因是配置数据出现错误，紧急设计数据修复方案；4.16:02，对全地域进行数据修复工作，API服务逐地域恢复中；

5.16:05，观测到除上海外的地域API服务均已恢复，进一步定位上海地域的恢复问题；

6.16:25，定位到上海的技术组件存在API循环依赖问题，决定通过流量调度至其他地域来恢复；

7.16:45，观测到上海地域恢复了，此时API和依赖API的PaaS服务彻底恢复，但控制台流量剧增，按九倍容量进行了扩容；

8.16:50，请求量逐渐恢复到正常水平，业务稳定运行，控制台服务全部恢复；9.17:45，持续观察一小时，未发现问题，按预案处理过程完毕。

改进措施

综合盘点这次故障，最根本的原因是在版本变更过程中，没有有效执行沙箱验证和预案演练，暴露了在变更管理上的不足，接下来将从以下几个方面快速进行改进和完善，以减少故障的影响范围和影响时长。

第一，提升系统韧性

1、定期执行预定的变更策略模拟演练，确保在真实故障发生时，能够迅速切换到恢复模式，最小化服务中断时间。

2、优化服务部署架构，通过分层架构、代码审查和监控等手段， 避免API服务中潜在的循环依赖问题。

3、提供API服务逃生通道，当故障发生时，可供调用方快速切换。

第二，强化变更管理与保护措施

1、完善自动化测试用例库，在系统变更前通过沙箱环境对变更内容进行严格验证。

2、实施灰度发布策略，逐步推广新功能或配置更改，按集群、可用区、地域逐步生效，以便在发现问题时能够迅速回滚。

3、引入异常自动熔断机制，当检测到系统异常时，能够立即中断变更过程。

第三，增强故障响应与沟通能力

1、对故障处理流程进行全面升级，确保实时更新故障处理进度和预计恢复时间点，提升故障报告发布效率。

2、在对外发布的故障通知中，清晰阐述受影响的业务范围、故障根因及预计修复时长，保持透明度。

3、优化腾讯云健康状态看板（StatusPage）的信息展示逻辑，解除对云API等云服务的依赖，通过引入缓存和容灾机制，确保即使在云服务出现故障时，能准确、及时地传递故障信息。

对于腾讯云本次故障复盘及情况说明，有网友表示：“能对外公布过程，对用户透明，也是种进步”“有故障不可怕，关键是要能在故障中去真正总结、改进、沉淀，尽量做好下一次故障的规避和优化，这才是宝贵的经验和收获。”