雷刚 发自 凹非寺
量子位 报道 | 公众号 QbitAI
2020年11月11日晚，又一年天猫双11狂欢接近尾声。
新交易纪录、新流量峰值，一切都是十全十美的样子。
此时，阿里巴巴CTO程立（鲁肃）才将一段实录视频公之于众——
11月5日凌晨，阿里技术上下完成双11大考期间最后一次全链路压测后休息和交接间隙……服务器连续遭遇了两次攻击。
第一次，凌晨两点左右，监控大屏显示四个地区数据中心数值迅速下跌，技术保障团队启动紧急响应处理，确定遭遇了断网攻击。
紧接着第二次，2:10，更凶猛直接的攻击来了。华东区域某个数据中心，直接被拉闸断了电……
但最令人震惊的是，这一切居然是阿里巴巴合伙人、双11新零售技术负责人吴泽明（花名范禹）干的。
突然袭击，实弹攻击
这不是事先明确的一次突袭。
甚至只有范禹和霜波——阿里双11技术大队长、技术安全生产负责人陈琴“小范围”知道。
但是即便如此，陈琴看到这次断网攻击时还是吓了一跳，因为与之前商定的攻击量级并不符合。
当时，明面上压测已经结束，参与的阿里技术工程师们，有的在进行夜宵补给，有的在工位上小憩休息，对于这次意料之外的实弹攻击，没有一点点防备。
庆幸的是，技术保障上下训练有序。迅速锁定故障源头，启动应急方案，紧急展开修复……
仅1分28秒，一切如故。
甚至如果恰好有在那时下单的用户，都难以察觉有过“抖动”。
对于阿里技术上下，虽然事出突然毫无防备，但对于这样的突袭应对，已然肌肉记忆一样……因为在阿里，这种突袭早已普遍而日常，还有专门因此形成的红蓝军对抗。
蓝军负责设计突袭弹药，常在不经意间发起突袭。红军则需要在极短时间内修复故障。
对外，这种技术突袭和红蓝对抗一直不为人知。
对内，无数次突袭和演练之后，连故障恢复机制都形成了“1-5-10”的方法论，即在1分钟内发出警报、5分钟内定位故障、10分钟内修复故障。
这也是阿里敢将可用性目标提升到达99.9999%的底气所在。
之所以能如此精确，就是因为一次次突袭演练之后得出的结果。
阿里内部，还将这种红蓝军的偷袭与防守，类比为对系统打疫苗。
故意在可控半径内将故障注入系统以测试系统的响应，类似于将少量有害物质注入体内激发免疫反应以防止未来疾病。
这似乎很疯狂，但能让公司提前为包括宕机在内的各种故障做好准备，将其影响降至最低。
甚至还有更疯狂的举动。阿里为这种突袭专门设计了App，简化成一个“按钮”，串联了阿里巴巴经济体的各种技术架构和业务手段。
方便随时随地，按下按钮完成突袭。
它可能发生在任何时候，比如，某一次会议结束后所有人都处于放松状态时。
这次双11前的突袭攻击，就出现在范禹闲庭信步走出“光明顶”时——双11核心作战室内没人察觉异常。
有内部工程师把这种偷袭演练与马斯克SpaceX那次知名的“事故逃逸”演习类比。
核心都是以真实可能发生的事故，来实际检验自身的技术和应急保障机制。
你听过混沌工程吗？
Chaos Engineering，混沌工程。
被称为“故意破坏的艺术”，主要通过主动制造故障，测试系统在各种压力下的行为，从而识别并修复故障问题，以此提高生产环境中系统的容错性和可恢复性，最终实现系统弹性的提升。
在硅谷科技公司中，混沌工程已经有过实践。
2010年，Netflix团队开发出了Chaos Monkey——混沌猴子这个工具用于测试系统。
模拟一只讨厌的猴子，在系统中随机位置上蹦下窜，不停捣乱，直到搞挂你的系统。
随后的几年里，Netflix还将混沌猴子在GitHub上开源分享，并指出这种随机故障测试，对测试分布式系统的稳定性有传统方式难以超越的优势。
在这样一整套原理基础上，混沌工程师这样的岗位开始在硅谷出现，角色和功能如这次阿里对外公开的蓝军，把这种随机破坏性攻击，变成一种日常测试手段来提升自身的抗灾能力。
混沌工程是一种专门的理论，本质上是一种反脆弱的思想。
如果再往上追溯，哲学源头可以找到尼采——杀不死我的必使我更强大。
而对于阿里来说，混沌工程思想理念，与技术稳定体系需求不谋而合，与阿里异地多活、容灾容错的发展需求契合在一起。
实际上从2010年左右，阿里电商域开始尝试故障注入测试的工作，开始的目标是想解决微服务架构带来的强弱依赖问题。
后来经过多个阶段的改进，最终演进到MonkeyKing线上故障演练平台。
作为阿里集团使用广泛的混沌工程平台，MonkeyKing不但帮助很多业务团队进行故障演练，提升了业务稳定性，同时也支撑阿里集团内部定期的联合演练活动。
2019年开始，还开始在小范围生产环境内推进突袭演练，并对外开源了阿里巴巴混沌工程工具ChaosBlade。
而这次双11前夜的突然袭击、断网断电，本质也是混沌工程的一次实践。
即便双11这样的节点里，显得异常惊险，但对于阿里来说，拥抱「混沌工程」，搞出「红蓝演练」，也是业务倒逼的结果。
被逼出来的阿里
阿里历史上很多业务改革，都与双11密切相关。
比如「异地多活」，起初就是因为双11很火，流量带来扩容需求。
阿里集团CTO程立就回忆说，2009年第一次双11，因为是淘宝商城临时决定搞的活动，技术侧还不太有感觉。
但2010年，双11流量一下子涨了好几倍，服务器根本不够用……当时在支付宝的程立，亲身经历了把支付宝系统一再瘦身，只留下核心的支付链路，才总算扛过了那次交易洪峰。
而其后对于每年迎来新纪录流量洪峰挑战的双11，阿里开始在平时倒逼改革。
另外，也有一些意想不到的天灾人祸，带来容灾警醒。
2013年夏天，因为杭州40°高温酷暑，全城电力供应极度紧张，而阿里的服务器机房又是耗电大户，拉闸限电的威胁迫在眉睫，一旦机房停电，业务就关门大吉了……
上述等等经历，让阿里技术意识到，不能再等到下一个高温酷暑的夏天，不能再等到下一次天灾教训，再来思考如何保障业务稳定性。
也不能忽视地域中的物理灾害，影响到线上数以亿计的用户。更不能因为基础设施的限制，阻碍快速增长的业务。
所以先是解决同城多活的挑战，其后又进一步解决异地多活的世界难题。
都是面对问题和挑战，倒逼出来的创新。
实际上，这种倒逼出创新的案例，在阿里发展历史上比比皆是，例如支付宝研发OceanBase，阿里云研发飞天云操作系统……
当年为了支撑双11的流量，支付宝一个不到100人的团队，研发出可代替甲骨文数据库的OceanBase数据库。
今年，在去年双11核心系统100%上云后，程立透露——阿里把全副身家性命放到云上，飞天云操作系统、神龙服务器集群、中台等数字新基建还在不断升级，技术的沟沟坎坎几近解决，应对峰值不再是最大技术挑战。
消费者的热情越来越高，倒逼阿里技术持续进化。
而混沌工程和突袭计划，也是这种倒逼着进化的一部分。
互联网本身就充满了未知和不确定性，例如高温、洪水、台风、暴雨、地震、雷电等自然灾害以及人为操作失误等种种黑天鹅事件，都可能对业务造成严重打击。阿里敢在双11期间对业务系统发起各种高危故障，这种自信源自成熟的突袭机制，而底气则来自阿里云十年来搭建的灾备体系。。
Gartner就曾预测过，2020年，90%的容灾操作会发生在云端。尤其是大型云服务商，数据中心都遍布全球，是企业天然的异地灾备中心。
而阿里云的云灾备能力无疑处于云厂商第一阵营。
阿里云曾率先在业内提出数据中心的“四个不”原则，即不在同一火山地震带，不在同一水系，不在同一电网，不在同一运营商网络出口。这是传统企业所不具备的硬实力。
另一方面，阿里云的灾备能力全面涵盖了网络、数据库、存储等领域，这是能应对各种故障的软实力。
举个栗子，在存储领域，阿里云凭借存储高可用等能力，持续三年入选Gartner全球云存储魔力象限，并且被列为全球领导者地位。
所以只有兼具软硬实力，才能最大程度地保障业务和数据稳定安全。这也是阿里敢把全副身家性命都放在云上的原因之一。
甚至这种「最大程度保障」，还需要考虑到被断网断电的极端场景……
所以，拉闸断电的攻击成功了吗？
11月5日凌晨02:10，阿里华东区域某一数据中心被内部拉闸断电。
瞬间，蓄电系统启动……服务器供能无缝切换，未受一丝影响。
4秒钟后，柴油发电机群启动。电力完全恢复供应，数据中心运转如常。
阿里云灾备体系，至此交了满分答卷。
传送门：
混沌工程ChaosBlade 项目地址
https://github.com/chaosblade-io/chaosblade
— 完 —
本文系网易新闻•网易号特色内容激励计划签约账号【量子位】原创内容，未经账号授权，禁止随意转载。
报名开启！李开复等AI大咖齐聚，
邀你共探新形势下智能产业发展之路
▽限时早鸟优惠，扫码锁定席位▽
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见~
514
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
