2025年10月19日亚马逊 us-east-1 宕机事故反思
💡
原文中文，约6100字，阅读约需15分钟。
📝
内容提要
2025年10月19日，AWS us-east-1区域发生严重宕机，持续14小时，影响140项服务，造成巨额损失。故障源于DynamoDB的DNS管理系统中的竞争条件，突显了云计算系统的复杂性及设计与运维的重要性。
🎯
关键要点
- 2025年10月19日，AWS us-east-1区域发生严重宕机，持续14小时，影响140项服务，造成巨额损失。
- 故障源于DynamoDB的DNS管理系统中的竞争条件，导致服务区域端点的DNS记录错误清空。
- DynamoDB和EC2是AWS架构中的基础服务，一旦它们瘫痪，其他服务也会受到影响。
- 此次故障揭示了软件系统设计与运维中的复杂性，尤其是对竞态条件和延迟的管理。
- EC2服务故障的原因在于DynamoDB作为关键依赖项，导致心跳超时和租约失效。
- NLB服务中断是由于网络配置滞后，导致健康检查系统接收错误反馈，触发可用区故障转移。
- 此次事件强调了云计算系统设计与运维的重要性，未来需要改进以避免类似故障。
- 作者认为AWS的可靠性仍然处于行业领先地位，但此次事件是其十年来的最大失误，需从中吸取教训。
❓
延伸问答
2025年10月19日AWS us-east-1区域发生了什么事件？
AWS us-east-1区域发生了严重的宕机事故，持续14小时，影响了140项服务，造成巨额损失。
此次宕机的主要原因是什么？
宕机的主要原因是DynamoDB的DNS管理系统中存在竞争条件，导致DNS记录错误清空。
DynamoDB和EC2在AWS架构中扮演什么角色？
DynamoDB和EC2是AWS架构中的基础服务，一旦它们瘫痪，其他服务也会受到影响。
此次事件对AWS的可靠性有何影响？
此次事件被认为是AWS十年来的最大失误，但AWS的可靠性仍然处于行业领先地位。
在此次故障中，NLB服务中断的原因是什么？
NLB服务中断是由于网络配置滞后，导致健康检查系统接收错误反馈，触发可用区故障转移。
如何避免类似的宕机事故发生？
未来需要改进云计算系统的设计与运维，特别是对竞态条件和延迟的管理，以避免类似故障。
➡️
