一字之錯導致亞馬遜 AWS網站離線

亞馬遜網路服務(AWS)周四報道，AWS出了幾個小時狀況導致周二幾個主要網站及另外幾個網站離線，其原因是一字之錯。

雲基礎架構提供商AWS發布了以下的解釋：

Amazon Simple Storage Service(S3)團隊當時在調試系統糾正一個導致S3計費系統進展比預期更慢的問題。太平洋標準時間早上9:37分( 北京時間次日凌晨2:37)，一名S3團隊授權成員根據既定步驟執行了一個命令，目的是從S3計費過程的S3子系統里移除少量的伺服器。不幸的是，其中的一個命令輸入錯誤，導致多個原本不應該被移除的伺服器被移除。

粗心大意的錯誤導致對美國東部區全部S3對象至為關鍵的兩個子系統離線，美國東部區內有大量的數據中心，是最早期的亞馬遜區。兩個系統都需要從頭重新啟動。亞馬遜指，此過程以及運行必要的安全檢查「花了比預期更長的時間」。

兩個系統重新啟動時，S3無法接受服務請求。該地區其他依靠S3存儲的AWS服務也受到影響，其中包括S3控制台、亞馬遜彈性計算雲(EC2)新實例的啟動、亞馬遜彈性塊存儲(EBS)卷(其數據需要從S3快照里獲取)和AWS Lambda。

亞馬遜稱，索引子系統在太平洋時間下午1:18完全恢復，而位置子系統於下午 1:54恢復。至此，S3操作恢復正常。

AWS稱鑒於此次事件的發生正在引入「幾個改變」，包括防止不正確輸入的步驟，以避免同類問題的發生。

AWS博客里做了這樣的解釋，「儘管在這種情況下移除一部分系統功能是一個重要的操作手法，但其工具軟體不應該這麼快地將許多系統功能移除掉。我們已經對該工具軟體進行了修改，使其更慢地移除系統功能，並添加了安全措施，以防止在移除系統功能時導致任何子系統的功能低於最低水平。」

AWS採取的其他主要措施包括：他們開始將索引子系統劃分成更小的小區。AWS還改了AWS管理控制台服務健康儀錶板，以使其可以在多個AWS區域運行，頗具諷刺意味的是，周二的一字之錯導致儀錶板不能用，AWS只得靠推特(Twitter)就有關事宜通知客戶。