7行代碼讓B站崩潰3小時，竟因“一個詭計多端的0”_風聞

魚羊 豐色 發自 凹非寺

量子位 | 公眾號 QbitAI

一個小小字符“0”，竟引得B站全面崩潰。

不知你是否還記得那一夜，B站“大樓停電”、“服務器爆炸”、“程序員刪庫跑路”的徹夜狂歡。（手動狗頭）

時隔一年，背後“真兇”現在終於被阿B披露出來——

沒想到吧，就是這麼簡單幾行代碼，直接幹趴B站兩三個小時，搞得B站程序員徹夜無眠頭髮狂掉。

你可能會問，這不就是個普普通通用來求最大公約數的函數嗎，怎麼就有如此大的威力？

背後一樁樁一件件，歸根結底其實就一句話：0，它真的不興除啊。

具體詳情，咱們還是一起來看看“事故報告”。

字符串“0”引發的“血案”

先來説道説道引發慘案的根本原因，也就是開頭貼出的這個gcd函數。

學過一點編程知識的小夥伴應該都知道，這是一種用輾轉相除法來計算最大公約數的遞歸函數。

跟我們手算最大公約數的方法不同，這個算法是醬嬸的：

舉個簡單的例子，a=24，b=18，求a和b的最大公約數；

a除以b，得到的餘數是6，那麼就讓a=18，b=6，然後接着往下算；

18除以6，這回餘數是0，那麼6也就是24和18的最大公約數了。

也就是説，a和b反覆相除取餘數，直到b=0，函數中：

if b==0 then return a end

這個判斷語句生效，結果就算出來了。

基於這樣的數學原理，我們再來看這段代碼，似乎沒什麼問題：

但如果輸入的b是個字符串“0”呢？

B站的技術解析文章中提到，這段出事的代碼是用Lua寫的。Lua具有這麼幾個特點：

這是一種動態類型語言，常用習慣裏變量不需要定義類型，直接給變量賦值就行。

Lua在對一個數字字符串進行算術操作時，會嘗試將這個數字字符串轉成一個數字。

在Lua語言中，數學運算n%0的結果是nan(Not A Number)。

我們來模擬一下這個過程：

1、當b是一個字符串“0”時，由於這個gcd函數沒有對其進行類型校驗，因此在碰上判定語句時，“0”不等於0，代碼中“return _gcd(b, a%b)”觸發，返回_gcd(“0”, nan)。

2、_gcd(“0”, nan)再次被執行，於是返回值變成了_gcd(nan, nan)。

這下就完犢子了，判定語句中b=0的條件永遠沒法達到，於是，死循環出現了。

也就是説，這個程序開始瘋狂地原地轉圈，並且為了一個永遠得不到的結果，把CPU佔了個100%，別的用户請求自然就處理不了了。

那麼問題來了，這個“0”它到底是怎麼進去的呢？

官方説法是：

在某種發佈模式中，應用的實例權重會短暫地調整為0，此時註冊中心返回給SLB（負載均衡）的權重是字符串類型的“0”。此發佈環境只有生產環境會用到，同時使用的頻率極低，在SLB前期灰度過程中未觸發此問題。

SLB在balance_by_lua階段，會將共享內存中保存的服務IP、Port、Weight作為參數傳給lua-resty-balancer模塊用於選擇upstream server，在節點weight=“0”時，balancer模塊中的_gcd函數收到的入參b可能為“0”。

bug是如何定位的

以“事後諸葛亮”的視角來看，這個引發B站全面崩潰的根本原因多少有點讓人直呼“就這”。

但從當事程序員的視角來看，事情確實沒有辣麼簡單。

當天晚上22:52分——大部分程序員才剛下班或者還沒下班的節骨眼（doge），B站運維收到服務不可用的報警，第一時間懷疑機房、網絡、四層LB、七層SLB等基礎設施出現問題。

然後立馬和相關技術人員拉了個緊急語音會議開始處理。

5分鐘後，運維發現承載全部在線業務的主機房七層SLB的CPU佔用率達到了100%，無法處理用户請求，排除其他設施後，鎖定故障為該層。

（七層SLB是指基於URL等應用層信息的負載均衡。負載均衡通過算法把客户請求分配到服務器集羣，從而減少服務器壓力。）

萬般緊急之時，小插曲還現了：遠程在家的程序員登上VPN卻沒法進入內網，只好又去call了一遍內網負責人，走了個綠色通道才全部上線（因為其中一個域名是由故障的SLB代理的）。

此時已經過去了25分鐘，搶修正式開始。

首先，運維先熱重啓了一遍SLB，未恢復；然後嘗試拒絕用户流量冷重啓SLB，CPU依然100%，還是未恢復。

接着，運維發現多活機房SLB請求大量超時，但CPU未過載，正準備重啓多活機房SLB時，內部羣反應主站服務已恢復，視頻播放、推薦、評論、動態等功能已基本正常。

此時是23點23分，距離事故發生31分鐘。

值得一提的是，這些功能恢復其實是事發之時被網友們吐槽的“高可用容災架構”發揮了作用。

至於這道防線為啥一開始沒發揮作用，裏頭可能還有你我一點鍋。

簡單來説，就是大傢伙點不開B站就開始瘋狂刷新，CDN流量回源重試 + 用户重試，直接讓B站流量突增4倍以上，連接數突增100倍到千萬級別，多活SLB就給整過載了。

不過，並不是所有服務都搞了多活架構，至此事情並沒完全解決。

接下來的半個小時裏，大家做了很多操作，回滾了最近兩週左右上線的Lua代碼，都沒把剩餘的服務恢復。

時間來到了12點，沒有辦法了，“先不管bug是怎麼出來的，把服務全恢復了再説”。

簡單+粗暴：運維直接耗時一小時重建了一組全新的SLB集羣。

凌晨1點，新集羣終於建好：

一邊，有人負責陸續將直播、電商、漫畫、支付等核心業務流量切換到新集羣，恢復全部服務（凌晨1點50分全部搞定，暫時結束了崩了逼近3個小時的事故）；

另一邊，繼續分析bug原因。

在他們用分析工具跑出一份詳細的火焰圖數據後，那個搞事的“0”才終於露出了一點端倪：

CPU熱點明顯集中在一個對lua-resty-balancer模塊的調用中。而該模塊的_gcd函數在某次執行後返回了一個預期外的值：NaN。

同時，他們也發現了觸發誘因的條件：某個容器IP的weight=0。

他們懷疑是該函數觸發了jit編譯器的某個bug，運行出錯陷入死循環導致SLB CPU 100%。

於是就全局關閉了jit編譯，暫時規避了風險。一切都解決完後，已經快4點，大家終於暫時睡了個好覺。

第二天大家也沒閒着，馬不停蹄地在線下環境復現了bug後，發現並不是jit編譯器的問題，而是服務的某種特殊發佈模式會出現容器實例權重為0的情況，而這個0是個字符串形式。

正如前面所説，這個字符串“0”在動態語言Lua中的算術操作中，被轉成了數字，走到了不該走的分支，造成了死循環，引發了b站此次前所未見的大崩潰事件。

遞歸的鍋還是弱類型語言的鍋？

不少網友都還對這次事故記憶猶新，有回想起自己就是以為手機不行換電腦也不行的，也有人還記得當時5分鐘後此事就上了熱搜。

大家都很詫異，就這麼一個簡單的死循環就能造成如此大的網站崩服。

不過，有人指出，死循環不罕見，罕見的是在SLB層、在分發過程出問題，它還不像在後台出問題很快能重啓解決。

為了避免這種情況發生， 有人認為要慎用遞歸，硬要用還是設置一個計數器，達到一個業務不太可能達到的值後直接return掉。

還有人認為這不怪遞歸，主要還是弱類型語言的鍋。

以此還導致了“詭計多端的‘0’”這一打趣的説法。

另外，由於事故實在是耽誤了太久、太多事兒，當時B站給所有用户補了一天大會員。

有人就在此算了一筆賬，稱就是這7行代碼，讓b站老闆一下虧了大約1，5750，0000元。（手動狗頭）

對於這個bug，你有什麼想吐槽的？

參考鏈接：

[1]《2021.07.13 我們是這樣崩的》by 嗶哩嗶哩技術https://mp.weixin.qq.com/s/nGtC5lBX_Iaj57HIdXq3Qg