7行代码让B站崩溃3小时，竟因“一个诡计多端的0”
共 3255字，需浏览 7分钟
·
2022-07-26 15:10
鱼羊 丰色 发自 凹非寺
量子位 | 公众号 QbitAI
一个小小字符“0”，竟引得B站全面崩溃。
不知你是否还记得那一夜，B站“大楼停电”、“服务器爆炸”、“程序员删库跑路”的彻夜狂欢。（手动狗头）
时隔一年，背后“真凶”现在终于被阿B披露出来——
没想到吧，就是这么简单几行代码，直接干趴B站两三个小时，搞得B站程序员彻夜无眠头发狂掉。
你可能会问，这不就是个普普通通用来求最大公约数的函数吗，怎么就有如此大的威力？
背后一桩桩一件件，归根结底其实就一句话：0，它真的不兴除啊。
具体详情，咱们还是一起来看看“事故报告”。
字符串“0”引发的“血案”
先来说道说道引发惨案的根本原因，也就是开头贴出的这个gcd函数。
学过一点编程知识的小伙伴应该都知道，这是一种用辗转相除法来计算最大公约数的递归函数。
跟我们手算最大公约数的方法不同，这个算法是酱婶的：
举个简单的例子，a=24，b=18，求a和b的最大公约数；
a除以b，得到的余数是6，那么就让a=18，b=6，然后接着往下算；
18除以6，这回余数是0，那么6也就是24和18的最大公约数了。
也就是说，a和b反复相除取余数，直到b=0，函数中：
if b==0 then return a end
这个判断语句生效，结果就算出来了。
基于这样的数学原理，我们再来看这段代码，似乎没什么问题：
但如果输入的b是个字符串“0”呢？
B站的技术解析文章中提到，这段出事的代码是用Lua写的。Lua具有这么几个特点：
这是一种动态类型语言，常用习惯里变量不需要定义类型，直接给变量赋值就行。
Lua在对一个数字字符串进行算术操作时，会尝试将这个数字字符串转成一个数字。
在Lua语言中，数学运算n%0的结果是nan(Not A Number)。
我们来模拟一下这个过程：
1、当b是一个字符串“0”时，由于这个gcd函数没有对其进行类型校验，因此在碰上判定语句时，“0”不等于0，代码中“return _gcd(b, a%b)”触发，返回_gcd(“0”, nan)。
2、_gcd(“0”, nan)再次被执行，于是返回值变成了_gcd(nan, nan)。
这下就完犊子了，判定语句中b=0的条件永远没法达到，于是，死循环出现了。
也就是说，这个程序开始疯狂地原地转圈，并且为了一个永远得不到的结果，把CPU占了个100%，别的用户请求自然就处理不了了。
那么问题来了，这个“0”它到底是怎么进去的呢？
官方说法是：
在某种发布模式中，应用的实例权重会短暂地调整为0，此时注册中心返回给SLB（负载均衡）的权重是字符串类型的“0”。此发布环境只有生产环境会用到，同时使用的频率极低，在SLB前期灰度过程中未触发此问题。
SLB在balance_by_lua阶段，会将共享内存中保存的服务IP、Port、Weight作为参数传给lua-resty-balancer模块用于选择upstream server，在节点weight=“0”时，balancer模块中的_gcd函数收到的入参b可能为“0”。
bug是如何定位的
以“事后诸葛亮”的视角来看，这个引发B站全面崩溃的根本原因多少有点让人直呼“就这”。
但从当事程序员的视角来看，事情确实没有辣么简单。
当天晚上22:52分——大部分程序员才刚下班或者还没下班的节骨眼（doge），B站运维收到服务不可用的报警，第一时间怀疑机房、网络、四层LB、七层SLB等基础设施出现问题。
然后立马和相关技术人员拉了个紧急语音会议开始处理。
5分钟后，运维发现承载全部在线业务的主机房七层SLB的CPU占用率达到了100%，无法处理用户请求，排除其他设施后，锁定故障为该层。
（七层SLB是指基于URL等应用层信息的负载均衡。负载均衡通过算法把客户请求分配到服务器集群，从而减少服务器压力。）
万般紧急之时，小插曲还现了：远程在家的程序员登上VPN却没法进入内网，只好又去call了一遍内网负责人，走了个绿色通道才全部上线（因为其中一个域名是由故障的SLB代理的）。
此时已经过去了25分钟，抢修正式开始。
首先，运维先热重启了一遍SLB，未恢复；然后尝试拒绝用户流量冷重启SLB，CPU依然100%，还是未恢复。
接着，运维发现多活机房SLB请求大量超时，但CPU未过载，正准备重启多活机房SLB时，内部群反应主站服务已恢复，视频播放、推荐、评论、动态等功能已基本正常。
此时是23点23分，距离事故发生31分钟。
值得一提的是，这些功能恢复其实是事发之时被网友们吐槽的“高可用容灾架构”发挥了作用。
至于这道防线为啥一开始没发挥作用，里头可能还有你我一点锅。
简单来说，就是大家伙点不开B站就开始疯狂刷新，CDN流量回源重试 + 用户重试，直接让B站流量突增4倍以上，连接数突增100倍到千万级别，多活SLB就给整过载了。
不过，并不是所有服务都搞了多活架构，至此事情并没完全解决。
接下来的半个小时里，大家做了很多操作，回滚了最近两周左右上线的Lua代码，都没把剩余的服务恢复。
时间来到了12点，没有办法了，“先不管bug是怎么出来的，把服务全恢复了再说”。
简单+粗暴：运维直接耗时一小时重建了一组全新的SLB集群。
凌晨1点，新集群终于建好：
一边，有人负责陆续将直播、电商、漫画、支付等核心业务流量切换到新集群，恢复全部服务（凌晨1点50分全部搞定，暂时结束了崩了逼近3个小时的事故）；
另一边，继续分析bug原因。
在他们用分析工具跑出一份详细的火焰图数据后，那个搞事的“0”才终于露出了一点端倪：
CPU热点明显集中在一个对lua-resty-balancer模块的调用中。而该模块的_gcd函数在某次执行后返回了一个预期外的值：NaN。
同时，他们也发现了触发诱因的条件：某个容器IP的weight=0。
他们怀疑是该函数触发了jit编译器的某个bug，运行出错陷入死循环导致SLB CPU 100%。
于是就全局关闭了jit编译，暂时规避了风险。一切都解决完后，已经快4点，大家终于暂时睡了个好觉。
第二天大家也没闲着，马不停蹄地在线下环境复现了bug后，发现并不是jit编译器的问题，而是服务的某种特殊发布模式会出现容器实例权重为0的情况，而这个0是个字符串形式。
正如前面所说，这个字符串“0”在动态语言Lua中的算术操作中，被转成了数字，走到了不该走的分支，造成了死循环，引发了b站此次前所未见的大崩溃事件。
递归的锅还是弱类型语言的锅？
不少网友都还对这次事故记忆犹新，有回想起自己就是以为手机不行换电脑也不行的，也有人还记得当时5分钟后此事就上了热搜。
大家都很诧异，就这么一个简单的死循环就能造成如此大的网站崩服。
不过，有人指出，死循环不罕见，罕见的是在SLB层、在分发过程出问题，它还不像在后台出问题很快能重启解决。
为了避免这种情况发生， 有人认为要慎用递归，硬要用还是设置一个计数器，达到一个业务不太可能达到的值后直接return掉。
还有人认为这不怪递归，主要还是弱类型语言的锅。
以此还导致了“诡计多端的‘0’”这一打趣的说法。
另外，由于事故实在是耽误了太久、太多事儿，当时B站给所有用户补了一天大会员。
有人就在此算了一笔账，称就是这7行代码，让b站老板一下亏了大约1，5750，0000元。（手动狗头）
对于这个bug，你有什么想吐槽的？
参考链接：
[1]《2021.07.13 我们是这样崩的》by 哔哩哔哩技术
https://mp.weixin.qq.com/s/nGtC5lBX_Iaj57HIdXq3Qg
PS：如果觉得我的分享不错，欢迎大家随手点赞、转发、在看。