云计算之路-阿里云上：为什么看不见CPU在坐过山车，磁盘IO在蹦极

这是4月2日17:30~19:30之间发生在阿里云上的故事。

标题中的“看不见”是指阿里云的监控系统没有监控到；“CPU在坐过山车”是指CPU占用的瞬间波动（见下图）；“磁盘IO在蹦极”是指磁盘IO的瞬间波动。

（图1）

4月2日17:30左右开始，访问博客园首页有时会遇到502 Bad Gateway错误，如下图：

这是由阿里云负载均衡SLB返回的错误信息。

发现这个问题后，我们立即登上负载均衡中的2台云服务器，查看Windows性能监视器发现CPU占用波动很大（见之前的图1），有如坐过山车，瞬间冲到100%（如果在这时访问网站就会遇到502错误），然后又回落。接着，打开阿里云网站上的管理控制台，查看系统资源监控，奇迹出现了——阿里云监控显示CPU占用平稳，最高也没超过60%。

当时以为是阿里云监控系统出了问题，于是向阿里云提交了工单。

18:00左右，我们与阿里云客服都未进行任何操作，CPU占用突然恢复了正常。

CPU坐完过山车后不久，18:30左右开始，我们收到用户的反馈，说在博客后台发布博文时出现提示：“Timeout expired. The timeout period elapsed prior to completion of the operation or the server is not responding.”（数据库写入超时）。我们对这个错误记忆犹新，3月14日经历过（详见云计算之路-迁入阿里云后：20130314云服务器故障经过），那次是由于云服务器所在的集群硬盘IO负载高引起的。我们断定这次肯定还是云服务器磁盘IO的问题。于是又进入阿里云网站上的管理控制台，查看系统资源监控以验证磁盘IO是否高，奇迹又一次出现——阿里云监控显示磁盘IO正常。

19:30左右，"Timeout expired"错误消失。

我们又向阿里云提交了工单，阿里云客服依据监控数据，认为阿里云自身的系统正常。我们当然不认同，我们的应用本身不会引发这个罕见的"Timeout expired"错误，而且这段时间数据库写入操作并不多。

我们查看了这段时间数据库中的数据，发现也有不少博文正常发布了。说明当时如果磁盘IO有问题，应该是处于一种波动情况。用户在波峰时提交，就会遇到数据库写入超时故障。

可奇怪的是为什么阿里云监控系统监控不到磁盘IO的波动？更奇怪的是两次问题，阿里云监控系统都没监控到。

。。。

第二天，接到阿里云客服的电话，说我们在阿里云网站的管理控制台上看到的监控数据是5分钟采一次样，阿里云客服看到的监控数据是1分钟采一次样（两处的监控都没监控到）。对于瞬间波动，阿里云监控系统的确很难监控到。

接了电话之后，我们分析了一下，然后豁然开朗。

阿里云监控系统每1分钟巡视一下我们的云服务器， CPU坐过山车、磁盘IO蹦极发生在秒级。阿里云监控过来巡视时，CPU已经或者还没坐过山车，磁盘IO已经或者还没蹦极。这种瞬间波动情况正好躲过了阿里云监控系统的监控，就好像CPU、硬盘IO和阿里云监控系统玩起了捉迷藏。

虽然问题只发生波动的瞬间，但确确实实多位用户遭遇了这个问题，这就是一种故障，是故障就要找出原因。我们不害怕问题，害怕的是不明不白的问题。

于是，我们将分析情况通过工单反馈给了阿里云。

一段时间之后，阿里云客服的回复终于让真相大白：在那段时间，云服务器所在的物理机出现了硬件故障，后来紧急修复了故障。