Gitlab官方对整个数据删除事件的详细说明

动态 作者:科技喵 2017-02-02 14:36:08 阅读:295
昨天,我们(Gitlab)网站的一个数据库发生了严重事故。我们(GitLab.com)丢失了 6 小时的数据库数据(问题,合并请求,用户,评论,片段等)。Git / wiki 存储库和自托管安装不受影响。丢失生产数据是不可接受的。未来几天内,我们将会发布此次事故发生的原因及一系列措施的落实情况。 更新 18:14 UTC:GitLab.com 重新在线 截至撰写本文时,我们正在从 6 小时前的数据库备份中恢复数据。这意味着在 GitLab.com 再次生效的时候,17:20 UTC 和 23:25  UTC 之间数据库丢失的任何数据都将恢复。 Git 数据(存储库和维基)和 GitLab 的自托管实例不受影响。 以下是本次事件的简要摘要,详细内容请查阅文档 事件一: 在 2017/01/31 18:00 UTC ,我们检测到垃圾邮件发送者通过创建片段来攻击数据库,使其不稳定。然后,我们开始了解发生了什么问题进行故障排除,以及如何防范。 在 2017/01/31 21:00 UTC,问题被升级导致在数据库上的写入锁定,这导致网站出现了一些时间段的宕机。 措施:
  • 根据 IP 地址阻止了垃圾邮件发送者
  • 删除了使用存储库作为某种形式的 CDN 导致 47 000 个 IP 使用同一个帐户登录(导致高 DB 负载)的用户
  • 已移除用户发送垃圾邮件(通过创建代码段)
事件二: 在 2017/01/31 22:00 UTC, - 我们被分页,因为 DB 复制滞后太远,导致不能有效地阻止。发生这种情况是因为在辅助数据库没有及时处理写入。 措施:
  • 尝试修复 db2,此时丢失数据约 4 GB
  • db2.cluster 拒绝复制,/var/opt/gitlab/postgresql/data 擦拭以保证复制
  • db2.cluster 拒绝连接到 db1,max_wal_senders 太低。此设置是用来限制数量 WAL (= replication)的客户端
  • 团队成员 1 调整 max_wal_senders 到 32 上 db1,重启 PostgreSQL 。
  • PostgreSQL 因同时打开信号量太多而拒绝重启。
  • 团队成员 1 调整 max_connections 8000 到 2000。PostgreSQL 重启成功(尽管 8000 已经使用了近一年)
  • db2.cluster 可以链接,但仍然复制失败,只是挂在那里没有执行任何的操作。今晚 23:00 左右(当地时间),团队成员 1 明确提到他要签字,并未想到会突然出现复制问题。
事件三: 在 2017 年 1 月 31 日 23:00 左右 —团队成员 1 认为, pg_basebackup 拒绝执行是因为 PostgreSQL 的数据目录存在(尽管是空的),于是决定删除该目录。经过一两秒钟,他注意到他运行在 db1.cluster.gitlab.com,而不是 db2.cluster.gitlab.com。 在 2017 年 1 月 31 日 23:27 时,团队成员 1 -终止删除操作,但为时已晚。大约 300 GB 左右的数据只剩下约 4.5 GB 我们不得不把 GitLab.com 下线,并在 Twitter 上公布信息。
  • 我们正在执行紧急数据库维护,https://t.co/r11UmmDLDE 将脱机
  • GitLab.com 状态(@gitlabstatus)2017 年 1 月 31 日
遇到的问题
  • 默认情况下,LVM 快照每 24 小时采取一次。为了数据库的工作负载平衡,团队成员 1 在停电前 6 小时手动操作过。
  • 定期备份似乎也只能每 24 小时执行一次,虽然团队成员 1 目前仍未能找出它们的存储位置。团队成员 2 表示 ,这些似乎没有奏效,产生的文件大小只有几个字节。
  • 团队成员3:看起来 pg_dump 可能会失败,因为 PostgreSQL 的 9.2 二进制文件正在运行,而不是 9.6 的二进制文件。这是因为 omnibus 只使用 Pg 9.6 ,如果 data / PG_VERSION 设置为 9.6,但在 workers 上这个文件不存在。因此,它默认为 9.2,静默失败。因此没有做出 SQL 转储。Fog gem 可能已清理旧备份。
  • 为 Azure 服务器启用 Azure 中的磁盘快照,而不是 DB 服务器。
  • 同步过程在 Webhooks 数据同步到暂存后删除。我们只能从过去 24 小时的定期备份中提取内容,否则将丢失
  • 复制过程是超级脆弱,容易出错,依赖少数随机 shell 脚本并记录
  • 我们的备份到 S3 显然也不运行:bucket 是空的
  • 因此,换句话说,部署的 5 个备份/复制技术中没有一个可靠地运行或设置。我们最终还原了 6 小时前的备份。
  • pg_basebackup 将等待主机启动复制进程,据另一个生产工程师称,这可能需要 10 分钟。这可能导致进程被卡住。使用 “strace” 运行进程没有提供的有用信息。
恢复 我们正在使用临时数据库中的数据库备份来立即恢复。 我们不小心删除了生产数据,可能必须从备份中还原。谷歌文档与现场笔记 https://t.co/EVRbHzYlk8 GitLab.com 状态(@gitlabstatus)2017 年 2 月 1 日
  • 2017 年 2 月 1 日 00:36 -备份 db1.staging.gitlab.com 数据
  • 2017 年 2 月 1 日 00:55 -在 db1.cluster.gitlab.com 安装 db1.staging.gitlab.com
  • 从分段复制数据 /var/opt/gitlab/postgresql/data/ 到生成 /var/opt/gitlab/postgresql/data/
  • 2017 年 2 月 1 日 01:05 - nfs-share01 服务器征用临时存储/var/opt/gitlab/db-meltdown
  • 2017 年 2 月 1 日 01:18 - 复制剩余的生成数据,包括 pg_xlog,升级为 20170131-db-meltodwn-backup.tar.gz
下面的图表显示删除的时间和后续的数据复制。 Gitlab官方对整个数据删除事件的详细说明 此外,我们要感谢在 Twitter 和其他渠道通过#hugops 获得的惊人支持

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:http://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

图库
关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接