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，經過多次煎熬和掙扎之后才敢提起筆來，為什么呢?

[[253487]]

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，在技術的世界里，多數情況都是客觀場景決定了主觀結果，而主觀結果又反映了客觀場景，把場景與結果串起來，用自己的方式寫下來，傳播出去，與有相同經歷的同學聊上一聊，也未嘗不是一件好事。

上個月，我們的系統因注冊中心崩塌而引發的一場事故，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線運行多年的某分布式緩存系統。

回顧一下故障過程

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。在中間件監控系統沒有觸發任何報警的情況下，某應用團隊負責人突然跑過來說：“怎么緩存響應這么慢?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控數據，先是通過 Zabbix 查看了如 CPU、內存、網絡及磁盤等基礎預警，一切正常，再查看服務健康狀況，經過一圈折騰之后，也沒發現任何疑點。

懵圈了，沒道理啊。10 點 30 分，收到一通報警信息，內容為 “ZK 集群中的某一個節點故障，端口不通，不能獲取 Node 信息，請迅速處理!”。

這簡單，ZK 服務端口不通，重啟，立即恢復。10 點 40 分，ZK 集群全部癱瘓，無法獲取 Node 數據。

由于應用系統的 Dubbo 服務與分布式緩存使用的是同一套 ZK 集群，而且在此期間應用未重啟過，因此應用服務自身暫時未受到影響。

沒道理啊，無論應用側還是緩存側，近一個月以來都沒有發布過版本，而且分布式緩存除了在 ZK 中存一些節點相關信息之外，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，發現 Node Count 達到近 22W+，再次崩潰。

10 點 58 分，通過增加監控腳本，查明 Node 源頭來自分布式緩存系統的本地緩存服務。

11 點 00 分，通過控制臺關閉本地緩存服務后，ZK 集群第三次重啟，通過腳本刪除本地化緩存所產生的大量 Node 信息。

11 點 05 分，產線 ZK 集群全部恢復，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?一堆的問號，充斥著每個人的大腦。

我們本地緩存的工作機制

在這里，我就通過系統流程示意圖的方式，簡要的說明下我們本地緩存系統的一些核心工作機制。

①非本地緩存的工作機制

②本地緩存的工作機制：Key 預加載/更新

③本地緩存的工作機制：Set/Delete 操作

④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，我們部分緩存系統與應用系統的 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，應用系統接入量小，我們本地緩存的消息通知是利用 ZK 來實現的，而且還用到了廣播。

但隨著流量的增加與應用系統接入量的增多，消息發送量成倍增長，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，但消息發送量為什么會成倍的增長呢?

根據本地緩存的工作機制，我們一般會在里面存些什么呢?

• 更新頻率較低，但訪問卻很頻繁，比如系統參數或業務參數。
• 單個 Key/Value 較大，網絡消耗比較大，性能下降明顯。
• 服務端資源匱乏或不穩定(如 I/O)，但對穩定性要求極高。

懵圈了，就放些參數類信息，而且更新頻率極低，這樣就把五個節點的 ZK 集群打爆了?

為了找到真相，我們立即進行了代碼走讀，最終發現了蹊蹺。

根據設計，在 “本地緩存的工作機制 - Set/Delete 操作” 的工作機制中，當一個 Key 完成服務端緩存操作后，如果沒有被加到本地緩存規則列表中的 Key，是不可能被觸發消息通知的。

但這里明顯存在 Bug，導致把所有的 Key 都發到了 ZK 中。

這樣就很好理解了，雖然應用系統近期沒有發布版本，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，除了發現 Bug 之外，通過事后測試驗證，我們還得出了以下幾點結論：

• 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?
• 監控手段的單一，監控的薄弱。
• 系統部署結構不合理，基礎架構的 ZK 不應該與應用的 ZK 混用。

說到這里，這個故事也該結束了。

講在***

看完這個故事，一些愛好懟人的小伙伴也許會忍不住發問。你們自己設計的架構，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，對每個技術團隊而言，核心成員的離職與業務形態的變化，都或多或少會引發技術團隊對現有系統形成 “知其然，而不知其所以然” 的情況，雖說每個團隊都在想方設法進行避免，但想完全杜絕，絕非易事。

作為技術管理者，具備良好的心態，把每次故障都看成是一次蟬變的過程，從中得到總結與經驗，并加以傳承，今后不再犯，那就是好樣的。

不過，萬一哪天失手，給系統來了個徹底癱瘓，該怎么辦呢?祝大家一切順利吧。

作者：王曄倞

編輯：陶家龍、孫淑娟

出處：轉載自吃草的羅漢(ID：kidd_wyl)微信公眾號。