一个请求如何拖垮整个系统？从DynamoDB中断看级联故障的正反馈陷阱
2015年9月20日，AWS DynamoDB在US-East-1区域经历了超过4小时的服务中断。这次事故的起点极其微不足道：一个瞬时的网络问题导致部分存储服务器无法获取分区分配信息。 ...
级联故障
为什么Netflix放弃了Hystrix？从断路器模式到自适应并发限制的十五年演进
2018年11月，Netflix在GitHub上发布了一则简短公告：Hystrix不再处于活跃开发状态，进入维护模式。这个曾经在微服务容错领域占据统治地位的库，在经历了七年的生产验证后，被它的创造者亲手画上了句号。 ...
健康检查为何成了分布式系统的隐形杀手——从TCP端口探测到语义健康检测的二十年陷阱
2018年，一个技术团队在生产环境遇到了一个诡异的现象：每当数据库响应变慢，整个服务集群就会在几分钟内完全瘫痪。排查后发现，罪魁祸首是健康检查——当数据库变慢时，应用的健康检查端点开始超时，负载均衡器将服务器标记为不健康，剩余服务器承受更多流量，进一步恶化，形成恶性循环。 ...