网站上线流量归零？运维盲区正 silently 吞噬用户

　　我越来越觉得“网站上线流量归零？运维盲区正 silently 吞噬用户”是错的。

　　去年九月，我们推了个新站，灰度发了十七个站，第七个下午三点零七分，监控报警跳成一片红——不是502，不是超时，是HTTP状态码200里头塞着一行base64编码的“维护中”，还带个微笑emoji。孙工蹲在工位上抠键盘敲curl，敲了三遍才反应过来：这玩意儿根本没走Nginx日志，它直接从CDN缓存里吐出来的。

　　我原以为是边缘节点配置漏了，结果查到凌晨两点，发现是上游SRE老李在切A/B路由时手抖，把canary流量规则写进了一个已废弃的Terraform模块——那个模块压根没被apply过，但偏偏被CI/CD流水线自动import进当前state，还带版本锁。我们盯了四小时，谁都没敢动terraform plan，怕一apply把生产环境的DNS TTL全刷成1秒。最后是实习生小王用scp把临时patch脚本传到边缘机房一台冷备节点，手工wget那个“维护中”页面，反向解码后发现它来自去年三月一次灰度测试的遗留mock服务，端口是8089，路径是/v1/healthz?env=prod-staging-draft-2023，而这个mock服务早在六月就该下线，但没人删它的k8s job yaml，只删了deployment——job还活着，cron每六小时自动拉起一次，吐一次假健康页。

文章配图，仅供参考

　　所以啊，“silently吞噬用户”？吞得可真吵。每分钟三百条ELK告警、每十五秒一次Zabbix心跳震颤、钉钉机器人连发七条带截图的“异常流量突降预警”，光是我们组就收到十九个不同业务方的电话——市场部陈姐第四个打进来，嗓子劈叉：“你们到底关没关掉那个抢购入口？”我答“没关，我们连入口在哪都没找到”，她冷笑：“哦，那我刚在百度指数看到搜索量跌穿地板，你猜是谁先看见的？”

　　这事跟“运维盲区”没关系。盲区？我们监控埋得比菜市场鱼摊还密。真正的问题是——所有人默认流量必须有来处、有去处、有路径、有归因。但那个“维护中”页面根本没走任何路径。它像一滴水混进自来水厂，不经过滤网、不触发压差、不改变氯含量，只是安静地流进千家万户的水龙头。我翻了三个月日志，才确认它只在CDN缓存命中率＞92.7%的节点出现，而这类节点恰好全部位于华北二可用区B3机柜——那边去年七月换过一批SSD固件，厂商补丁导致nginx的proxy_cache_use_stale指令行为变异，对503响应会错误复用stale缓存，但对我们那个200+emoji的响应……它直接判定为“强缓存合法”。原理我说不清，反正就是认了。

　　张工当时在我隔壁嚼薄荷糖，咯吱咯吱响。他去年五月在阿里云峰会演讲里说过：“现代云架构没有单点故障，只有单点误信。”说完台下鼓掌。我那时还记笔记，现在想想，鼓掌的都是没碰过B3机柜的人。

　　优胜劣汰站得住的地方，不是因为技术多残酷，而是因为人太习惯把“可观测”等同于“可归因”。我们给每个容器打17层标签，给每条SQL加trace_id，给每个HTTP请求塞x-request-id——但那个微笑emoji，它没ID，没trace，没标签，它就是一段硬编码的字符串，在内存里活了六个月，靠CDN缓存续命，靠固件bug苟延残喘，靠所有人的“它肯定早死了”心理惯性，稳稳当当坐收十八万次真实用户访问——其中五万七千次发生在微信内嵌浏览器，那浏览器连开发者工具都不让开。

　　还有件事：上周我扫旧Git仓库，发现那行base64其实是当年外包写的，原始注释写着“防爬虫占坑用，上线即删”。删没删？没人check。谁写的？外包公司去年十月就注销了。注销文件我打印出来看过，公章盖歪了，斜得像我们那个emoji的嘴角。

　　所以说“silently吞噬”？不如说是我们亲手把噪音调到了静音档。老赵前天还在群里发截图，说新站DAU涨了12%，配文“运维终于不再背锅”。我没回。他忘了DAU是市场部埋的JS统计，而那个JS，恰恰因为加载时检测到document.title含“维护中”字样，自动退化成基础GA上报——也就是只报pv，不报uv，不报停留时长，不报跳出率。所以12%是真涨，也是假涨。真在数字，假在维度。

　　我今天早上又试了一遍curl -I，Header里还是那个ETag: "xyz789"。没变。它就挂在那里，像一扇没锁的门，钥匙在三年前的备份磁带里，磁带在通州一个库房角落，库房管理员上个月退休了，退休前最后一句是：“那些带编号的箱子？谁爱搬谁搬。”

　　这事我也可能就运气好。下回说不定是GPU驱动里某个未文档化的NVreg_ResmanMode开关，顺手把CUDA Kernel的启动延迟从0.3ms改成300ms——用户只觉得“网页卡了一下”，没人报障，监控也不报警，因为300ms还在P99容忍阈值内。但转化率掉了七个点。你说这是运维盲区？不。这是全栈共识的毛细血管级失效。我懒得骂了。

（编辑：站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!