一個代碼拼寫錯誤，導致微軟Azure DevOps服務(wù)在巴西停擺十小時

IT之家 6月4日消息，由于一個簡單的代碼錯誤，微軟Azure DevOps在南巴西地區(qū)的服務(wù)中斷了約十個小時。IT之家注意到，微軟的軟件工程經(jīng)理Eric Mattingly在周五為這次中斷道歉，并揭示了事故的原因：一個拼寫錯誤導致了十七個生產(chǎn)數(shù)據(jù)庫被刪除。

Azure DevOps提供一組集成的服務(wù)和工具，用于管理軟件項目，從規(guī)劃和開發(fā)到測試和部署。Mattingly解釋說，Azure DevOps的工程師有時會對生產(chǎn)數(shù)據(jù)庫進行快照（Snapshot），以便調(diào)查報告的問題或測試性能改進。他們依賴于一個每天運行的后臺系統(tǒng)，該系統(tǒng)會在一定時間后刪除舊的快照。近日Azure DevOps的工程師進行了一次代碼升級，用支持的Azure.ResourceManager. NuGet包替換了已棄用的Microsoft.Azure.Managment. 包。這導致了一個大型的拉取請求，其中更換了舊包和新包中的API調(diào)用。

拼寫錯誤就發(fā)生在這個拉取請求中，它將刪除快照數(shù)據(jù)庫的調(diào)用換成了刪除托管數(shù)據(jù)庫的Azure SQL Server的調(diào)用。Azure DevOps有專門的測試來發(fā)現(xiàn)這樣的問題，但Mattingly說，由于錯誤的代碼只在某些條件下運行，因此現(xiàn)有的測試覆蓋不到。

幾天后，軟件更改被部署到南巴西規(guī)模單元（特定角色的服務(wù)器集群）的客戶環(huán)境。該環(huán)境有一個老的快照數(shù)據(jù)庫，觸發(fā)了這個錯誤，導致后臺任務(wù)刪除了“整個Azure SQL Server和所有十七個生產(chǎn)數(shù)據(jù)庫”。

所有數(shù)據(jù)都已經(jīng)恢復，但花了十多個小時。Mattingly說，有幾個原因造成這種情況。其中之一是，由于客戶無法自己恢復Azure SQL Server，必須由值班的Azure工程師來處理，這個過程大約需要一個小時。另一個原因是，數(shù)據(jù)庫有不同的備份配置：有些配置為區(qū)域冗余備份，有些配置為更新的地理區(qū)域冗余備份，解決這種不匹配增加了很長的恢復時間。

為了防止問題再次發(fā)生，Mattingly稱微軟已經(jīng)采取了各種修復和重新配置措施，并再次向所有受此中斷影響的客戶道歉。