第16章 二姨的私信

    第16章 二姨的私信 (第1/3页)

    周三上午十点，会议室。

    项目紧急会议。线上支付系统凌晨发生故障，导致三千万交易延迟，用户投诉激增。王总、技术总监李总、产品、测试、运维、开发，二十多人挤在会议室，空气紧绷。

    “谁先说？”王总脸色铁青。

    监控组先汇报：“故障时间凌晨两点十七分，持续四十六分钟。直接原因：数据库主从同步延迟，导致读写不一致。”

    数据库负责人老赵立刻说：“我们检查了，主从同步配置没问题。是应用层有大量非索引查询，拖慢了主库，导致从库延迟。”

    开发组长小陈反驳：“我们上周才优化过查询，加了三组索引。而且凌晨两点，哪来的大量查询？”

    运维插话：“监控显示那个时间点有异常爬虫流量，可能是被攻击了。”

    安全组摇头：“不是攻击，是正常的搜索引擎爬虫，流量在正常范围。”

    会议开了半小时，各部门互相推诿，没有结论。贝西克坐在角落，没说话。他打开笔记本，在纸上画了一张图。

    时间轴：

    02:00-02:15 正常

    02:15-02:17 爬虫访问量轻微上升（+15%）

    02:17-02:20 数据库主库CPU从30%升至80%

    02:20-02:30 从库延迟从0秒升至120秒

    02:30-02:45 应用报错率从0.1%升至5%

    02:45-02:50 运维重启从库

    02:50-03:03 服务逐渐恢复

    他观察每个人的发言。老赵说话时眼睛向右上方看（回忆），小陈说话时手不自觉地摸后颈（紧张），安全组发言简洁但语气犹豫，运维在玩笔。

    “安静！”王总拍桌子，“我要的是解决方案，不是谁的责任！现在告诉我，怎么避免下次再发生？”

    李总提议：“加硬件，扩容数据库。”

    老赵反对：“硬件成本高，而且不治本。要先找到根本原因。”

    小陈说：“我建议加强防爬虫策略，减少无效查询。”

    安全组：“那可能影响SEO。”

    又陷入争吵。

    贝西克举手。所有人都看过来。

    “你说。”王总皱眉。

    “我有个推测。”贝西克翻开笔记本，“故障的直接原因确实是主从延迟，但根本原因不是爬虫，也不是查询，是配置变更流程漏洞。”

    会议室安静了。

    “什么配置变更？”老赵问。

    “上周五晚上，数据库组做了一次参数优化，调整了‘binlog_format’从‘ROW’改为‘MIXED’，目的是提升同步效率。但这次变更只在主库执行，从库漏了。导致主从的复制格式不一致，在特定查询模式（比如全表扫描）下，同步会变慢。平时负载低，不明显。昨晚爬虫触发了几次全表扫描，放大了这个问题。”

    老赵脸色变了：“你…你怎么知道？”

    “我看了变更记录。”贝西克说，“上周五晚上十一点二十三分，有数据库变更工单，执行人是你。变更理由是‘提升同步性能’。但工单状态是‘部分完成’，备注写着‘从库明天补’。但第二天没人跟进。”

    “你怎么能看到变更记录？”李总问，“那是DBA权限。”

    “我有只读权限，上周申请的，为了排查另一个问题。”贝西克说，“刚才会议期间，我查了日志，确认了这一点。”

    老赵额头冒汗：“那个…从库我后来补了，周一上午补的。”

    “但从周五晚上到周一上午，有六十个小时窗口期，主从不一致。”贝西克说，“故障发生在这个窗口期内。”

    小陈看向老赵：“老赵，真有这事？”

    老赵低头，不说话。

    王总盯着他：“是不是？”

    “是…”老赵声音很小，“但我以为不影响…平时都正常…”

    “你以为？”王总提高声音，“三千万交易延迟，用户投诉，公司形象受损，就因为你‘以为’？”

    “王总，我…”老赵想辩解，但说不出话。

    贝西克继续说：“另外，我观察到另一个问题。运维在02:45重启从库，但重启前没有做‘stop slave’，导致重启后同步位置错乱，又花了十三分钟自动恢复。如果先stop slave，再重启，恢复时间可以缩短到五分钟内。”

    运维负责人猛地抬头：“你怎么知道？”

    “监控显示从库重启后，’Seconds_Behind_Master’从120秒变成NULL，然后花了780秒才恢复到0秒。这是典型的未停同步就重启的特征。”贝西克说，“如果你先停了同步，应该显示从负数开始恢复，不会出现NULL。”

    会议室死寂。所有人都看着贝西克，眼神复杂。

    “解决方案。”王总打破沉默，“贝西克，你说。”

    “三个短期措施。”贝西克说，“第一，立即检查所有数据库主从配置一致性，今天完成。第二，修改变更流程，强制要求主从必须同步变更，否则工单无法关闭。第三，制定从库重启标准操作流程，加入‘stop slave’步骤。”

    “长期呢？”

    “长期，需要建立配置漂移检测系统，自动监控主从不一致，提前预警。我可以写个脚本，今天下班前能跑起来。”

    王总看着李总：“李总

    （本章未完，请点击下一页继续阅读）