AWS故障暴露关键云基础设施的脆弱性

2025年10月20日，AWS发生重大故障，影响全球60多个国家的用户和企业。

故障源于美国东部地区的DNS解析失败，导致DynamoDB端点无法访问。

故障导致多个依赖服务出现中断，影响范围广泛，全球超过1700万用户报告故障。

故障的根本原因是DynamoDB的自动DNS管理系统中的潜在竞争条件。

AWS的内部子系统依赖DynamoDB，导致控制平面出现故障，形成恶性循环。

此次事件提醒人们注意对单一云区域的依赖风险。

AWS建议客户采用多区域架构，以降低类似风险。

客户应设计多区域故障转移，而不仅仅是多可用区高可用性。

系统设计应考虑弹性，使用异步复制、本地或分布式缓存等方法。

客户端的弹性也很重要，实施指数退避、断路器和请求削减可以减轻负载。

DNS被证明是另一个关键的薄弱点，组织应考虑更具弹性的DNS策略。

持续验证弹性是必要的，通过混沌工程实验发现潜在脆弱性。

制定清晰的事件响应计划，以应对DNS重建、内部操作限流和压力下的控制扩展。