通信世界网消息（CWW）腾讯云官方公众号近日发文，披露了4月8日服务大范围故障的原因及细节。
官方表示，经过故障定位发现，客户登录不上控制台正是由云API异常所导致。云API是云上统一的开放接口集合，客户可通过API以编程方式管理和操控云端资源，云控制台通过组合云API提供交互式的网页功能。
故障发生后，依赖云API提供产品能力的部分公有云服务也因此出现无法使用的情况，包括云函数、文字识别、微服务平台、音频内容安全、验证码等。此次故障一共持续了近87分钟，期间共有1957个客户报障。
腾讯云方面称，若将云服务比作“酒店”，控制台就相当于“前台”，是统一的服务入口。“酒店前台发生故障会导致入住、续住等管理能力不可用，但已入住的客房不受影响。”这次故障中客户已经配置好的服务器等IaaS资源，包括已经部署运行的业务，没有受到云API异常的影响。
官方披露了这次故障根本原因及改进措施如下：
综合盘点这次故障，最根本的原因是在版本变更过程中，没有有效执行沙箱验证和预案演练，暴露了在变更管理上的不足，接下来将从以下几个方面快速进行改进和完善，以减少故障的影响范围和影响时长。
第一，提升系统韧性
1、定期执行预定的变更策略模拟演练，确保在真实故障发生时，能够迅速切换到恢复模式，最小化服务中断时间。
2、优化服务部署架构，通过分层架构、代码审查和监控等手段，避免API服务中潜在的循环依赖问题。
3、提供API服务逃生通道，当故障发生时，可供调用方快速切换。
第二，强化变更管理与保护措施
1、完善自动化测试用例库，在系统变更前通过沙箱环境对变更内容进行严格验证。
2、实施灰度发布策略，逐步推广新功能或配置更改，按集群、可用区、地域逐步生效，以便在发现问题时能够迅速回滚。
3、引入异常自动熔断机制，当检测到系统异常时，能够立即中断变更过程。
第三，增强故障响应与沟通能力
1、对故障处理流程进行全面升级，确保实时更新故障处理进度和预计恢复时间点，提升故障报告发布效率。
2、在对外发布的故障通知中，清晰阐述受影响的业务范围、故障根因及预计修复时长，保持透明度。
3、优化腾讯云健康状态看板（StatusPage）的信息展示逻辑，解除对云API等云服务的依赖，通过引入缓存和容灾机制，确保即使在云服务出现故障时，能准确、及时地传递故障信息。
