对大型分布式系统运维的建议
读过本章的案例之后，你肯定会觉得在达到 Google的规模之前不需要进行任何自动化。这是不正确的，有以下两个原因∶自动化提供的不仅仅是对时间的节省，所以在单纯的时间花费和时间节省的计算之外也值得实施。但是，最有效的方法其实在设计阶段∶更快地交付和更快地迭代可能会帮助你更快地实现功能，但是却很难形成一个有弹性的系统。对足够大的系统来说，进行改造时加入自主行为是很难的，但软件工程的良好标准的做法将会有很大的帮助∶解耦子系统，引入API，最大限度地减少副作用等。自动化∶ 允许大规模故障发生
Google运行十几个自有的大型数据中心，但是我们也依赖很多运行在第三方托管设施（或"colo"）内的机器。这些colo中的机器是用来终止大部分传入的连接的，或是作为自己的内容分发网络的缓存，以降低用户的等待时间。在任何一个时间点，都有很多机架被安装或被退役 ;这两个过程大部分都是自动化的。拆除中的一个步骤包括覆写机架上所有机器的磁盘的全部内容，同时一个独立的系统随后会验证机器被成功擦除。我们称这个过程为"磁盘擦除"（diskerase）。
很久以前，负责某个特定机架退役的自动化系统出现了问题，但只有磁盘擦除步骤已经成功完成。随后，清退过程被重启，以调试为什么失败。在这次操作中，当该程序试图给磁盘清除系统发送机架中的机器列表时，代码得出需要进行清空的机器列表是（正确的）空的。不幸的是，空列表有着特殊含义，它被解释为"所有"。这意味着自动化系统几乎将 colo 中的所有机器都送去进行磁盘清除了。
几分钟内，高效的磁盘清除程序擦除了我们的 CDN上所有机器的磁盘，这些机器再也不能终止用户连接了（或做任何有用的事情）。我们仍然可以从我们自己的数据中心来服务全体用户，事实上几分钟后对外部的唯一影响就是会有轻微的延迟增加。据我们所知，由于良好的容量规划，很少有用户注意到这个问题（至少我们这一点做得不错!）。接下来，我们花费了大概两天时间重装受影响的 colo 机架上的机器 ;然后我们又将接下来的几周时间用来进行代码审计，在我们的自动化系统中添加更多的合理性检查，包括速率限制，以及使整个退役流程具有幂等性。
页:
[1]