千万别动不动就说史诗级故障，难道这年头连史诗级故障都烂大街了么？#阿里系app已全面恢复#

2023年11月12日，阿里云发生了API鉴权（身份验证）故障，需要身份验证的API调用受到影响，导致饿了 么、闲鱼、钉钉等部分功能模块不可用，工程师1小时以内定位到原因，然后分批重启组件，用了不到两小时基本解决问题。

我看见网上有人说这是全球性故障、史诗级故障，这个说法有点上纲上线了。什么叫史诗级故障？停止 服务三天到四天，网站全部瘫痪，影响人数上千万，问题都定位不到。比如Gmail在2011年持续5天的故障。

云计算里有两种产品， 一种是垂直产品应用， 一种是通用基础组件，而这次阿里云的故障，核心在于身份验证出了问题，然后导致API服务无法访问，然后再产生了各种新问题。

根据阿里云的报告，以及用户的反馈，可以确定云产品控制台、管控API等需要身份验证的功能都受到影 响，导致OSS （对象存储）、OTS、SLS、 MNS等产品的服务受到影响，而云服务器、云数据库、网络等核心产品的实际运行是正常的，说明阿里云的某个底层组件出了问题，影响了部分有依赖的产品。

而主要故障在1个多小时修复，相比一年8760个小时来说，故障时间占比为0.023%，可用时间占比为 99.977%。

2021年12月7日，亚马逊云服务就出现过同类情况， AWS出现宕机，导致包括自有的Prime Music、Prime Video和Alexa在内的网站和APP访问， Disney Plus、 Facebook、Tinder和Venmo等公司部署在 AWS上的应用也出现了问题，任天堂于12月8日凌晨宣布旗下Switch网络服务大规模瘫痪。

当时正值圣诞促销季，麦当劳， Instacart、Venmo、 Roku、Tinder ，Coinbase ，Cash App却全都无法 使用，配送系统停摆、广告系统崩溃、订单数据延迟、后台无法登录。 原因是容量扩容自动化导致的网络拥堵。

2022年5月3日凌晨3点，微软的Azure在全球范围内出现了大面积宕机，整个过程持续了将近2个小时， 宕机原因是影响DNS解析的名称服务器授权调整，影响了底层基础服务导致的。

然后2023年1月28日，微软再次发生网络问题， Microsoft 365和PowerBI的访问全部出现网络延迟，无 法服务，原因是微软调整了广域网络（WAN），影响网际网络用户端与Azure之间、云计算地区内多个 服务之间，以及ExpressRoute的网络连接。出现问题微软以后立即回滚，然后问题解决了。

大家都是人，犯错误很正常，重点在于不要犯同样的错误，以及鸡蛋不能放在同一个篮子里。比如阿里云这一次因为一个关键组件故障，导致全球所有可用区都受到影响，这就是没有做好风险识别和单点故 障识别导致的。

这能算史诗级（Epic）故障么？其实还不算，只能算是影响特别重大的故障。

阿里云信息披露，算是这么多家云厂商中最及时、最坦诚、最详尽的了，也是给各个企业一个充分的经验借鉴，让大家在容灾方案设计时，除了保证应用和数据的高可用，还要考虑中间件的高可用；除了考虑自身的架构设计，也要评估单个业务组件如果出现故障，会不会产生连锁性影响。

毕竟人生中充满了黑天鹅事件，我们除了积极应对风险，还能怎么办呢？狡兔务必三窟，永远留下后手就是唯一的答案。