阿里云11.12故障原因及改进措施

　　针对阿里云 11.12 的重大服务故障， 该公司发给客户的一份「官方故障报告」在网上被广泛流传。

　　

　　影响范围

　　1、OSS、OTS、SLS、MNS 等产品的部分服务受到影响，大部分产品如 ECS、RDS、网络等运行不受影响。

　　2、云产品控制台、管控 API 等功能受到影响。

　　时间

　　2023 年 11 月 12 日 17:39～19.20，故障时间为 1 小时 41 分。

　　问题概况

　　2023 年 11 月 12 日 17:39 起，阿里云云产品控制台访问及管控 API 调用出现异常、部分云产品服务访问异常，工程师排查故障原因与访问密钥服务 （AK） 异常有关。工程师修订白名单版本后，采取分批重启 AK 服务的措施，于 18:35 开始陆续恢复，19:20 绝大部分 Region 产品控制台和管控 API 恢复。

　　处理过程

　　17:39：阿里云云产品控制台访问及管控 API 调用出现异常。

　　17:50：工程师确认故障是 AK 服务异常导致，影响云产品控制台、管控 API 调用异常，以及依赖 AK 服务的云产品服务运行异常。

　　18:01：工程师定位到根因。

　　18:07：开始执行恢复措施，包括修订白名单版本、重启 AK 服务。

　　18:35：杭州等 Region 开始恢复正常。

　　19:20：绝大部分 Region 的云产品控制台和管控 API 调用恢复正常。

　　原因

　　访问密钥服务 （AK）在读取白名单数据时出现读取异常，因处理读取异常的代码存在逻辑缺陷，生成了一份不完整白名单，导致不在此白名单中的有效请求失败，影响云产品控制台及管控 API 服务出现异常，同时部分依赖 AK 服务的产品因不完整的白名单出现部分服务运行异常。

　　改进措施

　　1、增加 AK 服务白名单生成结果的校验及告警拦截能力。

　　2、增加 AK 服务白名单更新的灰度验证逻辑，提前发现异常。

　　3、增加 AK 服务白名单的快速恢复能力。

　　4、加强云产品侧的联动恢复能力。

　　编辑：黄飞