GitLab：因“大脑分裂问题” 5台PostgreSQL 3台彻底趴下

数据库复制故障让五台 PostgreSQL 服务器中的三台彻底趴下。

在一起典型的故障事件中，GitLab昨天无意中触发了数据库故障切换，因此降低了性能。

由此引发的“大脑分裂问题”让这家代码收集网站试图靠单单一台数据库服务器postgres-02来服务广大用户，同时竭力恢复另外三台数据库服务器。

这个问题最初出现在美国时间周四凌晨1：30左右，因此而来的重构工作仍在继续之中。

GitLab.com的推文内容如下：

由于数据库负载，我们目前正在调查GitLab.com上的性能下降和错误。

意外的故障切换被触发后，亚历克斯•汉塞尔卡（Alex Hanselka）写道，虽然服务器群“继续追随真正的主服务器”，但这起事件显然令人痛苦：

“由于postgres-01是出岔子的主服务器，我们关闭了它。我们在调查时发现，postgres-03和postgres-04都试图追随postgres-01。正因为如此，我在写这个问题单（issue）时，我们正在postgres-03上重构复制内容，完成后又在postgres-04上重构复制内容。”

我们在继续调查GitLab上的性能下降问题。想了解详情，请参阅:https://docs.google.com/document

影响性能的还有备份（由于故障切换之前没有完整的pg_basebackup，所以需要备份）；由于Sidekiq集群导致庞大的查询，GitLab只好关闭了该集群。

问题刚出来时就是这个情况：近20个小时后，故障工单还没有完结。

一开始，postgres-03的备份以每小时75GB的速度执行，直到23：00（晚上11点）后才完成。仍有其他数据库任务需要完成，但是从安德鲁•纽迪盖特（Andrew Newdigate）的帖子来看，性能开始恢复正常。

自21：30 UTC以来，持续集成/持续交付（CI/CD）队列恢复常态。现在管道以平常的速度来加以处理。

这里还附有时间表：https://docs.google.com/document

至少备份奏效了：2017年2月，备份故障让数据复制错误雪上加霜：“所以换句话说，在部署的5种备份/复制方法中，没有一个可靠地运行或一开始就设置好。”

在一台登台服务器（staging server）上发现了丢失的数据；作了深刻的反复之后，营销副总裁蒂姆•安格拉德（Tim Anglade）告诉IT外媒The Register，他深知GitLab的重要性，这是“对许多人的项目和公司来说很重要的网站。”

不得不说，切实有效的备份至少表明已汲取了一些经验教训。

来自：云头条