- 「B站崩了」火遍互聯網，背后是復雜而脆弱的企業IT架構
- 2021年07月16日 來源：新浪財經
提要：7月13日23時左右，B站主站、App、小程序均出現訪問故障，無法正常使用，頁面提示“正在玩命加載數據”。而B站的鄰居A站，以及晉江、豆瓣也出現不同程度的故障，加載顯示404、502等。
萬萬沒想到，B站崩了，讓全互聯網經歷了一次深夜狂歡。
7月13日23時左右，B站主站、App、小程序均出現訪問故障，無法正常使用，頁面提示“正在玩命加載數據”。而B站的鄰居A站，以及晉江、豆瓣也出現不同程度的故障，加載顯示404、502等。
B站崩了，才讓大家發現原來“小破站”的流量如此驚人。上不了網站、沒得看視頻直播的“B站難民”沖向知乎、微博以及著名游戲網站NGA。“b站崩了”“陳睿”“豆瓣崩了”等詞迅速走紅，甚至連B站名梗“蒙古上單”也一同霸榜微博熱搜，傳遍全網，頗為壯觀。
23時45分，B站網頁端和App才初步恢復正常訪問，但像直播、會員購等板塊，以及一些站內互動、評論、投幣功能，還無法正常使用。
B站崩潰后，許多故障頁面截圖在網上流傳。但具體是什么導致服務器故障，多種說法迅速出現。不過，無論是最初的停電說，還是后面的B站大樓/上海云海服務器中心著火說，都被迅速辟謠。
上海消防對B站總部大樓著火一事辟謠
直到凌晨2點20分，B站正式發布聲明，表示因部分服務器機房發生故障，造成無法訪問，經過排查修復后，現已陸續恢復正常。不過，更具體的原因是什么，B站還未披露。
服務器崩潰數小時，災備沒做好？
企業IT架構越來越復雜，這也意味著故障原因往往是系統性問題，難以單一歸因。此次B站崩潰，除了服務器出問題，補救的備份方案大概率也沒有快速應用到位。
故障通常可從硬件故障和軟件故障兩方面來分析——硬件故障即是機房、服務器等物理因素；而軟件故障則有可能來自版本升級、代碼bug等帶來的影響。
盡管不同行業有差異，但大互聯網平臺的技術架構，核心組件基本不會少。最簡單的訪問路徑就是客戶端和網站直接交互，比如一個視頻訪問請求從客戶端發出，經過一系列處理后到達B站的前端、后端服務器、分布式存儲等多個組件，B站處理完請求后再返回。
而當晚的情況是，B站崩潰，網友們收到的頁面大多顯示502，基本可以確定是服務器故障導致。
但具體是哪些服務器故障，目前還不清楚。B站這般體量的視頻平臺，上云是肯定的，也都會采用公有云+私有云架構。也就是說，出故障的服務器有可能在B站自己或托管的機房，也有可能在公有云服務商的機房。
若自家機房出問題，一個可能原因是，版本升級、網站維護失敗，導致用版本回滾緊急解決。若沒上云的剛好是核心業務，還需要運維人員手動修復，耗時就很長了。知乎答主“k8seasy”就認為，B站核心業務恢復時間在30分鐘左右，并且幾乎100%恢復，說明應是B站某個核心組件崩潰，導致核心服務不可用。有可能的原因是B站上線新版本時有bug，不可用后，緊急回滾到老版本也沒扛住訪問壓力，最后網站環境崩潰。
若公有云廠商出問題，那么同一個服務器集群服務的其他企業，也會出現類似問題。但當晚的A站、晉江、豆瓣等大流量app都很快恢復了服務，故障程度和B站也不是同一個量級。再者，為B站提供云服務的廠商包括阿里云、騰訊云、京東云、華為云等，公有云廠商一起出問題的概率是極小的。
分析完原因，再來看補救措施。服務器崩潰后的第一道防線，是企業的容災和備份，這能夠保證核心業務盡快恢復，最大程度減少損失。
B站當晚故障數小時也沒完全恢復，顯然災備起的作用不太大，這道防線沒能好好守住。
災備等級一般可按同城/異地、備份中心數量等劃分等級高低，選擇不同備份方式（如熱備/冷備/溫備份，成本均不同），也會對恢復時間有所影響。一位云計算從業者對36氪表示：“B站這種體量的平臺，災備肯定有做，但就是沒經受住考驗。比如數據備了但機器沒備，或者機器備了但鏈路沒備，差一個環節，就難以在短時間內恢復。”
作為視頻直播平臺，B站對高可用/高并發的要求是很高的。企業災備服務商、英方軟件市場總監黃亮對36氪表示，高可用架構主要有異地容災、負載均衡兩種，此次故障很有可能是B站只重點做了負載均衡，但沒有做太多異地容災。“當前企業做負載均衡，通常是采用同城數據中心的架構，如在上海的同一個數據中心里進行。”他表示。
災備沒及時起作用，可能是出于成本考慮。黃亮表示，負載均衡對實時性要求高，如果要上異地災備，成本是很高的。比如，A企業在上海有數據中心，同時在貴州設立異地災備中心。當上海機房宕機，貴州可以接管。對穩定性要求較高的行業，如銀行、醫院等，監管會有強制要求，其他企業一般是量力而行。
脆弱的企業IT架構，未來要如何演變？
B站此次故障，從雖然恢復時間達數小時，但幸運的是，故障發生在深夜的流量低谷，網友們的助推則讓B站再次出圈：一個網站崩潰，其巨大流量竟能讓其他網站也跟著出現故障。
這讓市場看到了B站用戶可怕的沖浪能力。7月13日，B站股價經歷短線走低，盤中一度漲幅收窄，最低至3.26%。截至收盤還能保持漲幅3.18%，報110.38美元/股。截至發稿，B站市值為417億美元。
類似這樣的宕機事件，突顯出當下企業IT架構的脆弱。隨著數字社會越來越成熟，企業IT架構一環扣一環，一個環節出現問題，就有可能一發而動全身，造成巨大損失。
信息安全問題也是防不勝防。2020年，微盟一核心運維員工對核心生產環境和數據進行刪除，最后微盟公司花費超過2260萬元用于支付數據恢復、商務賠償、員工加班費用等。因刪庫事件，微盟股價跌幅超過8%，一夜損失將近11億元。而2019年3月，谷歌云、阿里云、騰訊云就相繼發生大規模宕機，騰訊云宕機的4小時內，僅騰訊游戲就損失高達千萬元。
企業安全是實戰出來的。經過微盟刪庫一事后，恐怕當前國內企業不會再給運維人員如此核心的權限。阿里云也是在經歷支付寶527光纖挖斷事件后，痛定思痛將可用性再提升一個數量級。
那么，如何考慮放在災備中的運維成本？企業首先需要根據自身條件開始計算——哪些物理威脅或災難企業無法承受，并對資產價值進行分析，確定恢復的優先級順序，確定災備方案。
災備演練也很重要。以B站事件為例，數據和系統的恢復進度和災備預案熟悉程度息息相關。黃亮表示，如銀行、證券、醫院等關鍵單位，基本定期做容災演練，才能保證服務的穩定性。隨著網絡安全法、數據安全法的進一步推動實施，以后企業的IT架構合規要求只會越來越嚴，企業要想偷懶也不太可能了。
企業與各種故障和威脅搏斗的故事無止境。災備一事，豐儉由人，本質還是看公司如何算賬，愿意投入多少。B站崩了對各大企業的最大啟示，也就是把“重視企業IT安全”寫在明面上了。
