【外评】谷歌云计算 VMware 引擎 (GCVE) 私有云宕机事故
内容提要
谷歌云计算VMware引擎（GCVE）私有云宕机事故是由于谷歌操作员错误配置GCVE服务导致的。经过数天努力，客户的私有云得以恢复。谷歌云已采取多项措施以防止此类事件再次发生。此事件仅影响一个客户的一个云区域和一个GCVE私有云，不影响其他谷歌云服务和其他客户。谷歌云拥有弹性和稳定性的云基础设施。
延伸解读
人为失误与自动化工具的隐患
事故直接原因是操作员在使用内部工具部署GCVE私有云时，将一个参数留空，系统因此分配了默认的1年固定期限，到期后私有云被自动删除。这暴露了内部工具在参数校验和默认值处理上的缺陷。尽管操作员遵循了内部控制协议，但工具设计未能防止空白输入导致的意外行为。该工具已于2023年第四季度废弃并完全自动化，消除了人工干预需求，从而降低了类似风险。
恢复过程与客户架构的韧性
恢复历时数天，客户与谷歌团队全天候合作，成功恢复了网络、安全配置、应用程序和数据。这一过程得益于客户自身强大而灵活的架构方法，能够管理中断风险。此外，存储在同一地区谷歌云存储中的数据备份未受删除影响，并与第三方备份软件共同加速了恢复。这表明，即使云服务商出现意外，客户侧的备份策略和弹性设计仍是业务连续性的关键保障。
影响范围与谷歌的补救措施
事件仅影响一个客户的一个云区域中的一个GCVE私有云，未波及任何其他谷歌云服务、其他客户或该客户的其他资源。谷歌云已采取多项补救措施：废弃引发事件的内部工具、清除系统数据库并人工审查所有GCVE私有云、纠正系统删除工作流。谷歌强调这不是系统性问题，其软删除、提前通知等保障措施依然有效，并重申其基础设施的弹性和稳定性在领先云中表现最佳。
Q&A
谷歌云计算VMware引擎宕机事故的原因是什么？
宕机事故是由于谷歌操作员错误配置GCVE服务，具体是因为一个输入参数被留空，导致私有云被默认为固定期限并最终被删除。
此次宕机事故影响了多少客户？
此次事故仅影响了一个客户的一个GCVE私有云，其他客户和谷歌云服务未受到影响。
谷歌云采取了哪些措施来防止类似事件再次发生？
谷歌云已废弃了引发事件的内部工具，并审查了所有GCVE私有云，确保没有其他部署存在风险。
客户在恢复私有云过程中采取了哪些措施？
客户和谷歌团队经过数天的努力，恢复了网络、安全配置和数据，确保私有云全面运行。
此次事件是否表明谷歌云服务存在系统性问题？
此次事件并非系统性问题，谷歌云服务的保障措施依然有效。
谷歌云的基础设施在行业中的表现如何？
谷歌云拥有全球最具弹性和稳定性的云基础设施，正常运行时间和恢复能力在领先的云中表现最佳。
