开发者社区> boxti> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

Gitlab 官方对整个数据删除事件的详细说明

简介:
+关注继续查看

昨天,我们(Gitlab)网站的一个数据库发生了严重事故。我们(GitLab.com)丢失了 6 小时的数据库数据(问题,合并请求,用户,评论,片段等)。Git / wiki 存储库和自托管安装不受影响。丢失生产数据是不可接受的。未来几天内,我们将会发布此次事故发生的原因及一系列措施的落实情况。

更新 18:14 UTC:GitLab.com 重新在线

截至撰写本文时,我们正在从 6 小时前的数据库备份中恢复数据。这意味着在 GitLab.com 再次生效的时候,17:20 UTC和 23:25 UTC 之间数据库丢失的任何数据都将恢复。

Git数据(存储库和维基)和 GitLab的自托管实例不受影响。

以下是本次事件的简要摘要,详细内容请查阅文档

事件一:

在 2017/01/31 18:00 UTC ,我们检测到垃圾邮件发送者通过创建片段来攻击数据库,使其不稳定。然后,我们开始了解发生了什么问题进行故障排除,以及如何防范。

image

在2017/01/31 21:00 UTC,问题被升级导致在数据库上的写入锁定,这导致网站出现了一些时间段的宕机。

image

措施:

根据IP地址阻止了垃圾邮件发送者

删除了使用存储库作为某种形式的CDN 导致 47 000 个IP 使用同一个帐户登录(导致高DB负载)的用户

已移除用户发送垃圾邮件(通过创建代码段)

事件二:

在 2017/01/31 22:00 UTC, - 我们被分页,因为 DB 复制滞后太远,导致不能有效地阻止。发生这种情况是因为在辅助数据库没有及时处理写入。

image

image

措施:

尝试修复 db2,此时丢失数据约4 GB

db2.cluster 拒绝复制,/var/opt/gitlab/postgresql/data 擦拭以保证复制

db2.cluster 拒绝连接到 db1,max_wal_senders太低。此设置是用来限制数量 WAL (= replication)的客户端

团队成员1调整max_wal_senders 到 32上db1,重启 PostgreSQL 。

PostgreSQL 因同时打开信号量太多而拒绝重启。

团队成员1调整 max_connections 8000 到 2000。PostgreSQL 重启成功(尽管8000已经使用了近一年)

db2.cluster 可以链接,但仍然复制失败,只是挂在那里没有执行任何的操作。今晚 23:00 左右(当地时间),团队成员1明确提到他要签字,并未想到会突然出现复制问题。

事件三:

在2017年1月31日23:00 左右 —团队成员1认为, pg_basebackup 拒绝执行是因为 PostgreSQL 的数据目录存在(尽管是空的),于是决定删除该目录。经过一两秒钟,他注意到他运行在 db1.cluster.gitlab.com,而不是 db2.cluster.gitlab.com。

在2017年1月31日23:27 时,团队成员1 -终止删除操作,但为时已晚。大约 300 GB 左右的数据只剩下约4.5 GB

我们不得不把 GitLab.com 下线,并在 Twitter 上公布信息。

我们正在执行紧急数据库维护,https://t.co/r11UmmDLDE 将脱机

GitLab.com 状态(@gitlabstatus)2017年1月31日

遇到的问题

默认情况下,LVM 快照每 24 小时采取一次。为了数据库的工作负载平衡,团队成员 1 在停电前 6小时手动操作过。

定期备份似乎也只能每24小时执行一次,虽然团队成员1目前仍未能找出它们的存储位置。团队成员2表示 ,这些似乎没有奏效,产生的文件大小只有几个字节。

团队成员3:看起来 pg_dump 可能会失败,因为 PostgreSQL 的 9.2 二进制文件正在运行,而不是 9.6 的二进制文件。这是因为 omnibus 只使用 Pg 9.6 ,如果 data / PG_VERSION 设置为 9.6,但在 workers 上这个文件不存在。因此,它默认为 9.2,静默失败。因此没有做出 SQL 转储。Fog gem 可能已清理旧备份。

为Azure 服务器启用 Azure 中的磁盘快照,而不是 DB 服务器。

同步过程在 Webhooks 数据同步到暂存后删除。我们只能从过去24小时的定期备份中提取内容,否则将丢失

复制过程是超级脆弱,容易出错,依赖少数随机 shell 脚本并记录

我们的备份到 S3 显然也不运行:bucket 是空的

因此,换句话说,部署的 5 个备份/复制技术中没有一个可靠地运行或设置。我们最终还原了6 小时前的备份。

pg_basebackup 将等待主机启动复制进程,据另一个生产工程师称,这可能需要 10 分钟。这可能导致进程被卡住。使用 “strace” 运行进程没有提供的有用信息。

恢复

我们正在使用临时数据库中的数据库备份来立即恢复。

我们不小心删除了生产数据,可能必须从备份中还原。谷歌文档与现场笔记 https://t.co/EVRbHzYlk8

GitLab.com 状态(@gitlabstatus)2017年2月1日

2017年2月1日00:36 -备份 db1.staging.gitlab.com 数据

2017年2月1日00:55 -在 db1.cluster.gitlab.com 安装 db1.staging.gitlab.com

从分段复制数据 /var/opt/gitlab/postgresql/data/ 到生成 /var/opt/gitlab/postgresql/data/

2017年2月1日01:05 - nfs-share01 服务器 征用临时存储/var/opt/gitlab/db-meltdown

2017年2月1日01:18 - 复制剩余的生成数据,包括pg_xlog,升级为20170131-db-meltodwn-backup.tar.gz

下面的图表显示删除的时间和后续的数据复制。

image

此外,我们要感谢在Twitter 和其他渠道通过#hugops获得的惊人支持

文章转载自 开源中国社区 [http://www.oschina.net]

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
Docker 中 Gitlab 数据的备份和迁移
备份gitlab数据,并进行迁移恢复
0 0
GitLab误删 300G数据的一点启示
2017年1月31日GitLab.com发生的严重生成故障,导致宕机18小时,永久丢失6小时数据。 事后官方对故障原因作出了详细的解释,如下 误删 300G,GitLab 官方对删库事故的事后分析 这个事件,作为反例非常有借鉴意义。
665 0
gitlab在服务器上的安装与配置-自己搭建一个gitlab服务器
gitlab在服务器上的安装与配置-自己搭建一个gitlab服务器
0 0
Docker Compose 安装 Gitlab (基于 Ubuntu 20.04 )
Docker Compose 安装 Gitlab (基于 Ubuntu 20.04 )
0 0
Docker 安装 Gitlab (基于 Ubuntu 20.04 )
Docker 安装 Gitlab (基于 Ubuntu 20.04 )
0 0
服务器常用环境(Redmine,Gitlab,Svn,Testlink)安装及配置(四)
服务器常用环境(Redmine,Gitlab,Svn,Testlink)安装及配置(四)
0 0
服务器常用环境(Redmine,Gitlab,Svn,Testlink)安装及配置(三)
服务器常用环境(Redmine,Gitlab,Svn,Testlink)安装及配置(三)
0 0
服务器常用环境(Redmine,Gitlab,Svn,Testlink)安装及配置(二)
服务器常用环境(Redmine,Gitlab,Svn,Testlink)安装及配置(二)
0 0
+关注
boxti
12535
文章
问答
文章排行榜
最热
最新
相关电子书
更多
GitOps之应用安全发布模型实践
立即下载
AGit-Flow:新一代高效Git协同模型
立即下载
AGit-flow:新一代高效Git协同模型
立即下载