7 行代碼讓B站崩潰 3 小時，竟因“一個詭計多端的 0”

感謝IT前沿網友 Sancu 的線索投遞！

一個小小字符“0”，竟引得B站全面崩潰。

不知你是否還記得那一夜，B站“大樓停電”“服務器爆炸”“程序員刪庫跑路”的徹夜狂歡。（手動狗頭）

時隔一年，背后“真兇”現在終于被阿 B 披露出來 ——

沒想到吧，就是這么簡單幾行代碼，直接干趴B站兩三個小時，搞得B站程序員徹夜無眠頭發狂掉。

你可能會問，這不就是個普普通通用來求最大公約數的函數嗎，怎么就有如此大的威力？背后一樁樁一件件，歸根結底其實就一句話：0，它真的不興除啊。

具體詳情，咱們還是一起來看看“事故報告”。

字符串“0”引發的“血案”

先來說道說道引發慘案的根本原因，也就是開頭貼出的這個 gcd 函數。學過一點編程知識的小伙伴應該都知道，這是一種用輾轉相除法來計算最大公約數的遞歸函數。

跟我們手算最大公約數的方法不同，這個算法是這樣的：

舉個簡單的例子，a=24，b=18，求 a 和 b 的最大公約數；

a 除以 b，得到的余數是 6，那么就讓 a=18，b=6，然后接著往下算；

18 除以 6，這回余數是 0，那么 6 也就是 24 和 18 的最大公約數了。

也就是說，a 和 b 反復相除取余數，直到 b=0，函數中：

ifb==0thenreturnaend

這個判斷語句生效，結果就算出來了。基于這樣的數學原理，我們再來看這段代碼，似乎沒什么問題：

但如果輸入的 b 是個字符串“0”呢？

B站的技術解析文章中提到，這段出事的代碼是用 Lua 寫的。Lua 具有這么幾個特點：

這是一種動態類型語言，常用習慣里變量不需要定義類型，直接給變量賦值就行。

Lua 在對一個數字字符串進行算術操作時，會嘗試將這個數字字符串轉成一個數字。

在 Lua 語言中，數學運算 n%0 的結果是 nan (Not A Number)。

我們來模擬一下這個過程：

1、當 b 是一個字符串“0”時，由于這個 gcd 函數沒有對其進行類型校驗，因此在碰上判定語句時，“0”不等于 0，代碼中“return _gcd (b, a% b)”觸發，返回_gcd (“0”, nan)。

2、_gcd (“0”, nan) 再次被執行，于是返回值變成了_gcd (nan, nan)。

這下就完犢子了，判定語句中 b=0 的條件永遠沒法達到，于是，死循環出現了。也就是說，這個程序開始瘋狂地原地轉圈，并且為了一個永遠得不到的結果，把 CPU 占了個 100%，別的用戶請求自然就處理不了了。

那么問題來了，這個“0”它到底是怎么進去的呢？

官方說法是：

在某種發布模式中，應用的實例權重會短暫地調整為 0，此時注冊中心返回給 SLB（負載均衡）的權重是字符串類型的“0”。此發布環境只有生產環境會用到，同時使用的頻率極低，在 SLB 前期灰度過程中未觸發此問題。

SLB 在 balance_by_lua 階段，會將共享內存中保存的服務 IP、Port、Weight 作為參數傳給 lua-resty-balancer 模塊用于選擇 upstream server，在節點 weight=“0”時，balancer 模塊中的_gcd 函數收到的入參 b 可能為“0”。

bug 是如何定位的

以“事后諸葛亮”的視角來看，這個引發B站全面崩潰的根本原因多少有點讓人直呼“就這”。但從當事程序員的視角來看，事情確實沒有辣么簡單。

當天晚上 22:52 分 —— 大部分程序員才剛下班或者還沒下班的節骨眼（doge），B站運維收到服務不可用的報警，第一時間懷疑機房、網絡、四層 LB、七層 SLB 等基礎設施出現問題。

然后立馬和相關技術人員拉了個緊急語音會議開始處理。5 分鐘后，運維發現承載全部在線業務的主機房七層 SLB 的 CPU 占用率達到了 100%，無法處理用戶請求，排除其他設施后，鎖定故障為該層。

（七層 SLB 是指基于 URL 等應用層信息的負載均衡。負載均衡通過算法把客戶請求分配到服務器集群，從而減少服務器壓力。）

萬般緊急之時，小插曲還現了：遠程在家的程序員沒法進入內網，只好又去 call 了一遍內網負責人，走了個綠色通道才全部上線（因為其中一個域名是由故障的 SLB 代理的）。

此時已經過去了 25 分鐘，搶修正式開始。

首先，運維先熱重啟了一遍 SLB，未恢復；然后嘗試拒絕用戶流量冷重啟 SLB，CPU 依然 100%，還是未恢復。

接著，運維發現多活機房 SLB 請求大量超時，但 CPU 未過載，正準備重啟多活機房 SLB 時，內部群反應主站服務已恢復，視頻播放、推薦、評論、動態等功能已基本正常。

此時是 23 點 23 分，距離事故發生 31 分鐘。

值得一提的是，這些功能恢復其實是事發之時被網友們吐槽的“高可用容災架構”發揮了作用。

至于這道防線為啥一開始沒發揮作用，里頭可能還有你我一點鍋。

簡單來說，就是大家伙點不開B站就開始瘋狂刷新，CDN 流量回源重試 + 用戶重試，直接讓B站流量突增 4 倍以上，連接數突增 100 倍到千萬級別，多活 SLB 就給整過載了。

不過，并不是所有服務都搞了多活架構，至此事情并沒完全解決。接下來的半個小時里，大家做了很多操作，回滾了最近兩周左右上線的 Lua 代碼，都沒把剩余的服務恢復。

時間來到了 12 點，沒有辦法了，“先不管 bug 是怎么出來的，把服務全恢復了再說”。簡單 + 粗暴：運維直接耗時一小時重建了一組全新的 SLB 集群。

凌晨 1 點，新集群終于建好：一邊，有人負責陸續將直播、電商、漫畫、支付等核心業務流量切換到新集群，恢復全部服務（凌晨 1 點 50 分全部搞定，暫時結束了崩了逼近 3 個小時的事故）；

另一邊，繼續分析 bug 原因。在他們用分析工具跑出一份詳細的火焰圖數據后，那個搞事的“0”才終于露出了一點端倪：CPU 熱點明顯集中在一個對 lua-resty-balancer 模塊的調用中。而該模塊的_gcd 函數在某次執行后返回了一個預期外的值：NaN。

同時，他們也發現了觸發誘因的條件：某個容器 IP 的 weight=0。他們懷疑是該函數觸發了 jit 編譯器的某個 bug，運行出錯陷入死循環導致 SLB CPU 100%。于是就全局關閉了 jit 編譯，暫時規避了風險。一切都解決完后，已經快 4 點，大家終于暫時睡了個好覺。

第二天大家也沒閑著，馬不停蹄地在線下環境復現了 bug 后，發現并不是 jit 編譯器的問題，而是服務的某種特殊發布模式會出現容器實例權重為 0 的情況，而這個 0 是個字符串形式。

正如前面所說，這個字符串“0”在動態語言 Lua 中的算術操作中，被轉成了數字，走到了不該走的分支，造成了死循環，引發了 b 站此次前所未見的大崩潰事件。

遞歸的鍋還是弱類型語言的鍋？

不少網友都還對這次事故記憶猶新，有回想起自己就是以為手機不行換電腦也不行的，也有人還記得當時 5 分鐘后此事就上了熱搜。

大家都很詫異，就這么一個簡單的死循環就能造成如此大的網站崩服。不過，有人指出，死循環不罕見，罕見的是在 SLB 層、在分發過程出問題，它還不像在后臺出問題很快能重啟解決。

為了避免這種情況發生，有人認為要慎用遞歸，硬要用還是設置一個計數器，達到一個業務不太可能達到的值后直接 return 掉。

還有人認為這不怪遞歸，主要還是弱類型語言的鍋。以此還導致了“詭計多端的‘0’”這一打趣的說法。

另外，由于事故實在是耽誤了太久、太多事兒，當時B站給所有用戶補了一天大會員。

有人就在此算了一筆賬，稱就是這 7 行代碼，讓 b 站老板一下虧了大約 1,5750,0000 元。（手動狗頭）

對于這個 bug，你有什么想吐槽的？

參考鏈接：

[1]《2021.07.13 我們是這樣崩的》by 嗶哩嗶哩技術

//mp.weixin.qq.com/s/nGtC5lBX_Iaj57HIdXq3Qg