7行代碼讓B站崩潰3小時，竟因“一個詭計多端的0”

夢晨 2022-07-24 12:29:01 來源：量子位

魚羊 豐色 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

一個小小字符“0”，竟引得B站全面崩潰。

不知你是否還記得那一夜，B站“大樓停電”、“服務器爆炸”、“程序員刪庫跑路”的徹夜狂歡。（手動狗頭）

時隔一年，背后“真兇”現(xiàn)在終于被阿B披露出來——

沒想到吧，就是這么簡單幾行代碼，直接干趴B站兩三個小時，搞得B站程序員徹夜無眠頭發(fā)狂掉。

你可能會問，這不就是個普普通通用來求最大公約數(shù)的函數(shù)嗎，怎么就有如此大的威力？

背后一樁樁一件件，歸根結底其實就一句話：0，它真的不興除啊。

具體詳情，咱們還是一起來看看“事故報告”。

字符串“0”引發(fā)的“血案”

先來說道說道引發(fā)慘案的根本原因，也就是開頭貼出的這個gcd函數(shù)。

學過一點編程知識的小伙伴應該都知道，這是一種用輾轉相除法來計算最大公約數(shù)的遞歸函數(shù)。

跟我們手算最大公約數(shù)的方法不同，這個算法是醬嬸的：

舉個簡單的例子，a=24，b=18，求a和b的最大公約數(shù)；

a除以b，得到的余數(shù)是6，那么就讓a=18，b=6，然后接著往下算；

18除以6，這回余數(shù)是0，那么6也就是24和18的最大公約數(shù)了。

也就是說，a和b反復相除取余數(shù)，直到b=0，函數(shù)中：

if b==0 then return a end

這個判斷語句生效，結果就算出來了。

基于這樣的數(shù)學原理，我們再來看這段代碼，似乎沒什么問題：

但如果輸入的b是個字符串“0”呢？

B站的技術解析文章中提到，這段出事的代碼是用Lua寫的。Lua具有這么幾個特點：

• 這是一種動態(tài)類型語言，常用習慣里變量不需要定義類型，直接給變量賦值就行。
• Lua在對一個數(shù)字字符串進行算術操作時，會嘗試將這個數(shù)字字符串轉成一個數(shù)字。
• 在Lua語言中，數(shù)學運算n%0的結果是nan(Not A Number)。

我們來模擬一下這個過程：

1、當b是一個字符串“0”時，由于這個gcd函數(shù)沒有對其進行類型校驗，因此在碰上判定語句時，“0”不等于0，代碼中“return _gcd(b, a%b)”觸發(fā)，返回_gcd(“0”, nan)。

2、_gcd(“0”, nan)再次被執(zhí)行，于是返回值變成了_gcd(nan, nan)。

這下就完犢子了，判定語句中b=0的條件永遠沒法達到，于是，死循環(huán)出現(xiàn)了。

也就是說，這個程序開始瘋狂地原地轉圈，并且為了一個永遠得不到的結果，把CPU占了個100%，別的用戶請求自然就處理不了了。

那么問題來了，這個“0”它到底是怎么進去的呢？

官方說法是：

在某種發(fā)布模式中，應用的實例權重會短暫地調整為0，此時注冊中心返回給SLB（負載均衡）的權重是字符串類型的“0”。此發(fā)布環(huán)境只有生產(chǎn)環(huán)境會用到，同時使用的頻率極低，在SLB前期灰度過程中未觸發(fā)此問題。

SLB在balance_by_lua階段，會將共享內存中保存的服務IP、Port、Weight作為參數(shù)傳給lua-resty-balancer模塊用于選擇upstream server，在節(jié)點weight=“0”時，balancer模塊中的_gcd函數(shù)收到的入?yún)可能為“0”。

bug是如何定位的

以“事后諸葛亮”的視角來看，這個引發(fā)B站全面崩潰的根本原因多少有點讓人直呼“就這”。

但從當事程序員的視角來看，事情確實沒有辣么簡單。

當天晚上22:52分——大部分程序員才剛下班或者還沒下班的節(jié)骨眼（doge），B站運維收到服務不可用的報警，第一時間懷疑機房、網(wǎng)絡、四層LB、七層SLB等基礎設施出現(xiàn)問題。

然后立馬和相關技術人員拉了個緊急語音會議開始處理。

5分鐘后，運維發(fā)現(xiàn)承載全部在線業(yè)務的主機房七層SLB的CPU占用率達到了100%，無法處理用戶請求，排除其他設施后，鎖定故障為該層。

（七層SLB是指基于URL等應用層信息的負載均衡。負載均衡通過算法把客戶請求分配到服務器集群，從而減少服務器壓力。）

萬般緊急之時，小插曲還現(xiàn)了：遠程在家的程序員登上VPN卻沒法進入內網(wǎng)，只好又去call了一遍內網(wǎng)負責人，走了個綠色通道才全部上線（因為其中一個域名是由故障的SLB代理的）。

此時已經(jīng)過去了25分鐘，搶修正式開始。

首先，運維先熱重啟了一遍SLB，未恢復；然后嘗試拒絕用戶流量冷重啟SLB，CPU依然100%，還是未恢復。

接著，運維發(fā)現(xiàn)多活機房SLB請求大量超時，但CPU未過載，正準備重啟多活機房SLB時，內部群反應主站服務已恢復，視頻播放、推薦、評論、動態(tài)等功能已基本正常。

此時是23點23分，距離事故發(fā)生31分鐘。

值得一提的是，這些功能恢復其實是事發(fā)之時被網(wǎng)友們吐槽的“高可用容災架構”發(fā)揮了作用。

至于這道防線為啥一開始沒發(fā)揮作用，里頭可能還有你我一點鍋。

簡單來說，就是大家伙點不開B站就開始瘋狂刷新，CDN流量回源重試 + 用戶重試，直接讓B站流量突增4倍以上，連接數(shù)突增100倍到千萬級別，多活SLB就給整過載了。

不過，并不是所有服務都搞了多活架構，至此事情并沒完全解決。

接下來的半個小時里，大家做了很多操作，回滾了最近兩周左右上線的Lua代碼，都沒把剩余的服務恢復。

時間來到了12點，沒有辦法了，“先不管bug是怎么出來的，把服務全恢復了再說”。

簡單+粗暴：運維直接耗時一小時重建了一組全新的SLB集群。

凌晨1點，新集群終于建好：

一邊，有人負責陸續(xù)將直播、電商、漫畫、支付等核心業(yè)務流量切換到新集群，恢復全部服務（凌晨1點50分全部搞定，暫時結束了崩了逼近3個小時的事故）；

另一邊，繼續(xù)分析bug原因。

在他們用分析工具跑出一份詳細的火焰圖數(shù)據(jù)后，那個搞事的“0”才終于露出了一點端倪：

CPU熱點明顯集中在一個對lua-resty-balancer模塊的調用中。而該模塊的_gcd函數(shù)在某次執(zhí)行后返回了一個預期外的值：NaN。

同時，他們也發(fā)現(xiàn)了觸發(fā)誘因的條件：某個容器IP的weight=0。

他們懷疑是該函數(shù)觸發(fā)了jit編譯器的某個bug，運行出錯陷入死循環(huán)導致SLB CPU 100%。

于是就全局關閉了jit編譯，暫時規(guī)避了風險。一切都解決完后，已經(jīng)快4點，大家終于暫時睡了個好覺。

第二天大家也沒閑著，馬不停蹄地在線下環(huán)境復現(xiàn)了bug后，發(fā)現(xiàn)并不是jit編譯器的問題，而是服務的某種特殊發(fā)布模式會出現(xiàn)容器實例權重為0的情況，而這個0是個字符串形式。

正如前面所說，這個字符串“0”在動態(tài)語言Lua中的算術操作中，被轉成了數(shù)字，走到了不該走的分支，造成了死循環(huán)，引發(fā)了b站此次前所未見的大崩潰事件。

遞歸的鍋還是弱類型語言的鍋？

不少網(wǎng)友都還對這次事故記憶猶新，有回想起自己就是以為手機不行換電腦也不行的，也有人還記得當時5分鐘后此事就上了熱搜。

大家都很詫異，就這么一個簡單的死循環(huán)就能造成如此大的網(wǎng)站崩服。

不過，有人指出，死循環(huán)不罕見，罕見的是在SLB層、在分發(fā)過程出問題，它還不像在后臺出問題很快能重啟解決。

為了避免這種情況發(fā)生， 有人認為要慎用遞歸，硬要用還是設置一個計數(shù)器，達到一個業(yè)務不太可能達到的值后直接return掉。

還有人認為這不怪遞歸，主要還是弱類型語言的鍋。

以此還導致了“詭計多端的‘0’”這一打趣的說法。

另外，由于事故實在是耽誤了太久、太多事兒，當時B站給所有用戶補了一天大會員。

有人就在此算了一筆賬，稱就是這7行代碼，讓b站老板一下虧了大約1，5750，0000元。（手動狗頭）

對于這個bug，你有什么想吐槽的？

參考鏈接：

[1]《2021.07.13 我們是這樣崩的》by 嗶哩嗶哩技術
https://mp.weixin.qq.com/s/nGtC5lBX_Iaj57HIdXq3Qg