软件Bug让谷歌云平台再次出现故障

ZD至顶网软件频道消息： 谷歌承认自己的云出问题了。而且是“再一次”。

最近的发生混乱发生于6月28日，us-central1-a 中的Google Compute Engine SSD Persistent Disks“在一个区域内经历了高层写入延迟和错误，这种情况持续了211分钟。”这场混乱意味着磁盘可能停止接受写入，而将SSD作为根分区的实例有可能会挂起。

虽然，谷歌云平台除了故障，但是谷歌对故障的披露方面还算令人信服。对于此次问题，谷歌表示：“两个并发的日常维护事件触发了Persistent Disk底层的分布式存储系统中的数据再平衡。”

不过用户不用担心这种“再平衡”，因为“这种再平衡旨在让维护时间对用户不可见，通过在不可用的存储设备和机器上平均地重新分布数据来实现。”

这正是云平台应该做到的：很多部件都在后台运行，对你来说是不可见的，它们维持着服务器的正常运转。

但是这一次，“一个以前没有发现的软件bug，由两个并发的维护事件触发，意味着因为再平衡变得不可用的磁盘块没有释放供随后再度使用，消耗了这个区域中的可用SSD空间，直到写操作被拒绝才被发现。”

一旦磁盘认为它们已经用光了所有的空间，就没有更聪明的机制在后台纠正这一错误了，以至于谷歌花了211分钟才找到问题并且解决问题。

和往常一样，谷歌承诺未来会做得更好，并且表示其“工程师正在改进自动监控，这样如果问题再次出现，工程师将会在用户受到影响之前就得到预警。我们还改进了我们的自动化，以更好地协调同一区域内不同的维护操作，减少必要情况下还原此类操作所需要的时间。”

正如我们在之前提到的，谷歌在面临故障及其产生原因的时候，比其竞争对手更加坦率。但是这家公司似乎也有更多的故障需要披露：《The Register》监测了三大云平台的故障通告，谷歌发布的问题数量比AWS和微软都要多，而这两家公司的云平台规模更大，产品也更多。