腾讯云复盘4月8日故障原因：持续近87分钟，1957个客户受影响

今日早间，腾讯云发文，对外公布复盘了4月8日下午发生的API服务故障事件。

腾讯云在《说明》中回应，此次故障自4月8日下午15点23分发现，至16点50分全面恢复，共持续近87分钟，期间共有1957个客户反馈了相关问题。导致客户无法通过控制台登录，并影响了部分公有云服务的使用。

故障发生时，客户登录控制台受阻，依赖云API提供能力的公有云服务如云函数、文字识别、微服务平台、音频内容安全、验证码等也受到了影响。

经复盘分析，此次故障的根本原因在于云API服务新版本向前兼容性考虑不足和配置数据灰度机制存在缺陷。新版本接口协议的变化导致旧版本前端数据处理逻辑异常，生成错误配置数据，并在灰度机制不足的情况下迅速扩散至全网地域。

针对此次故障，腾讯云团队表示将吸取教训，从提升系统韧性和强化变更管理与保护措施两方面着手改进。

第一，提升系统韧性
1、定期执行预定的变更策略模拟演练，确保在真实故障发生时，能够迅速切换到恢复模式，最小化服务中断时间。
2、优化服务部署架构，通过分层架构、代码审查和监控等手段， 避免API服务中潜在的循环依赖问题。
3、提供API服务逃生通道，当故障发生时，可供调用方快速切换。
第二，强化变更管理与保护措施
1、完善自动化测试用例库，在系统变更前通过沙箱环境对变更内容进行严格验证。
2、实施灰度发布策略，逐步推广新功能或配置更改，按集群、可用区、地域逐步生效，以便在发现问题时能够迅速回滚。
3、引入异常自动熔断机制，当检测到系统异常时，能够立即中断变更过程。
第三，增强故障响应与沟通能力
1、对故障处理流程进行全面升级，确保实时更新故障处理进度和预计恢复时间点，提升故障报告发布效率。
2、在对外发布的故障通知中，清晰阐述受影响的业务范围、故障根因及预计修复时长，保持透明度。
3、优化腾讯云健康状态看板（StatusPage）的信息展示逻辑，解除对云API等云服务的依赖，通过引入缓存和容灾机制，确保即使在云服务出现故障时，能准确、及时地传递故障信息。