谈谈B站的SLB故障复盘

王福强

2022-07-16

---

整篇文章挺好的，也挺详尽，但我总觉得最后的改进措施可能没那么到位。

其实没必要过多强调多活的问题，如果真的是接入层的问题，多少个活着的接入点都没用，不是吗？

至于消防演习，这个是没问题的，早训练，早准备嘛！

我倒是觉得，更应该重视的是研发流程管理，尤其是关键基础设施的测试与上线。

这次的SLB出问题，更多应该是新增根据权重做Load Balance的功能没有经过充分的测试，尤其是precheck。 0和“0”这种情况，我觉得作为典型的边际条件，不应该测试不到啊…

所以，加强研发流程的管理，加强日常的Code Review，加强关键基础设施上线前的测试，可以极大降低SLB（以及其它关键基础设施）出这种问题的概率。

至于消防演习，相当于是有准备、有预谋的拉练队伍，但感觉B站这种，早就应该进入Chaos Engineering的行列了。 从被动到主动， 以进攻做防御，这才是终极的稳定性测试 ^_-

所以，简单总结下，整个事情，我觉得更应该做的三件事的优先级和顺序应该是：

1. 加强研发流程管理，尤其是关键基础中间件的新增、测试与上线；
2. 消防演习，锻炼队伍应急响应能力；
3. 多活，根据情况逐步推进；

以上。

---

---

---

---