14｜预案场景（一）：B站最为深刻的一次自我剖析

1. B站7月13日23时许出现访问故障，SRE团队迅速应对并召集相关团队成员进行紧急处理。 2. 故障原因是应用的实例权重短暂调整为0，导致注册中心返回给SLB的权重是字符串类型的0，进而导致程序陷入死循环。 3. 故障恢复过程历时110分钟，包括SLB新集群的搭建工作和逐步切换流量至新集群。 4. 核心优化点一是双活部署和流量切换，故障时间从178分钟缩短至31分钟。 5. 多活建设中暴露了机房和业务混乱、元信息管理缺失、切流缓慢等问题，需要加强多活建设和逃生策略。 6. 核心优化点二是故障演练的重要性，需要通过反复练习来提升速度。 7. 故障处理中的准备时间和恢复过程暴露了内网鉴权系统和接入层的循环依赖、日常紧急情况的演练和覆盖的缺失等问题。 8. 故障处理中的有效止损动作包括登录内网、无效尝试重启、服务搭建和服务切流，帮助缩短了故障恢复时间。 9. 故障处理中的核心功能恢复情况和多活业务的恢复措施，展现了B站在故障处理中的有效应对和恢复能力. 10. 隔离和解耦、应对故障恢复之后的流量、基础服务要做严格的测试、应急响应是值得思考和学习的重点。