关于阿里云OSS故障排查解决，以及经验总结

Posted 2020-10-22

背景描述

        在2018年1月22日星期一，早上发现部署在阿里云所有服务无法访问，登录到阿里云控制台，首先查看SLB负载均衡器状态，发现所有公网负载均衡器被停用，专网负载均衡器工作正常。电话联系阿里云客服，告知阿里云欠费，我们的负载均衡器都是按量付费模式，因欠费所以被停用，立刻向阿里云进行充值，暂时解决问题。

需要解决的问题

1. 阿里云账户就在前两天还有充足的余额，为什么突然欠费？费用产生原因？

备注：因为部署到阿里云业务刚上线，还没有正式启用，还没有做监控。另外阿里云账号绑定手机在其它人手中，所以阿里云短信通知没有收到。

排查过程

• 首先查看阿里云消费记录，发现OSS对象存储每1小时扣费10到30元不等（大部分是在20以上），持续时间从2018年1月16日星期二晚上17点过开始，一直到2018年1月20日星期六早上9点，余额为0。

    备注：OSS对象存储也是按量付费，如下图所示

       

• 查看OSS管理平台，发现流出流量达到4.5TB，GET请求达到2600多万次，但OSS所有对象加一起不超过400个对象，总大小不超过100M，如何产生如此巨大流量。第一反应是被恶意攻击，然后通过OSS控制台热点统计分析，发现流量都来自于阿里云，并且都来自于一个省（也正是所购买阿里云ECS所在省），再通过文件访问统计发现所有访问都指向同一张图片，每天产生1T到2T的流量，此时已经怀疑是业务造成。   

• 检查需要调用这张图片的服务，最终发现有一个服务一直在死循环调用这张图片，并且走的是OSS公网接口地址，所以产生了公网流量

解决方法

   更改A业务代码，如果出现上述情况，将输出一个业务上的ERROR，此消息作为正常消费处理。业务描述：MQ会往A业务上面推送消息，然后A通过消息内的数据去获取两张图片作对比，首先获取的就是OSS对象存储里面的图片，此时获取成功，然后再获取另外一张图片，因图片不存储，导致获取失败，然后MQ认为此消息没有被正常消费，所以又导致重新推送，如此循环

番外篇

        因为大量的请求，导致出错的业务所在服务的日志文件不断的增大，最后服务器空间在2018年1月21日星期日早上9点爆满，另外在欠费时间点后的所有请求都是失败请求。

总结

• 监控很重要，包括对服务器基本信息的监控，web站点的监控，如果做到了这两个至少可以做到问题早发现，或者有助于排查问题，不至于如此被动，教训啊！！！