2025年6月16日，谷歌就6月12日发生的全球云中断事件发布官方道歉和事件报告。
这次中断导致 70 多个 Google 云服务关闭了 7 个小时，对 Gmail、YouTube、Spotify、Discord、OpenAI 和 Shopify 等数十项服务产生了连锁效应。
发现失败的根本原因是5月份推出的“配额策略检查”中的新功能。此功能在野外测试不充分，并且没有使用行业标准功能标志逐步淘汰。包含空白条目的格式错误的策略被分发到世界各地的数据中心，导致系统进入无限崩溃循环。
工程师在 10 分钟内发现了问题，但花了 7 个小时才完全恢复系统。谷歌云首席执行官 Thomas Kurian 正式道歉，并承诺实施架构变更、审核所有系统并改善沟通。这次失败凸显了当今依赖云的社会的脆弱性。
【编辑部评论】
6月12日故障发生四天后，谷歌终于发布了详细的技术解释和未来的对策。6 月 13 日，该网站发布了一篇突发新闻文章。然而，最初的情况是“谷歌正在努力恢复，但没有表明修复它的预定时间。”这份事件报告揭示了故障的全部范围。
技术故障的严重程度
最值得注意的是，谷歌忽视了现代软件开发中常识性的保护措施。通过功能标志逐步部署是 Netflix、Facebook 和 Microsoft 等主要科技公司使用的标准做法，以最大限度地降低新功能的风险。
原本，5月29日推出的配额政策功能应该在一小群用户中进行测试，并确认没有问题后才推出。然而，它实际上是一次性部署的，并且包含空白字段的欺诈数据在全球范围内传播。
连锁故障的教训
这次故障特别严重的是，它甚至影响了不直接依赖于 Google Cloud 的服务。正如上一篇文章所报道的，看似不相关的服务同时被暂停：用于音乐流媒体的 Spotify、用于游戏社区的 Discord 以及用于人工智能开发的 OpenAI。
特别是，当 Cloudflare 发言人澄清“这是 Google Cloud 的失败”时，很明显，尽管两家公司表面上是竞争，但在实际的基础设施层面上存在着相互依赖的关系。这说明现代互联网是通过“隐形依赖”连接起来的。
对行业的连锁反应
谷歌的回应也可能会影响其他云提供商。亚马逊网络服务、微软Azure、IBM云和其他公司也将被鼓励重新考虑他们的灾难响应协议。
特别是，谷歌“改善自动化和人类通信”的承诺将在中断期间带来更大的透明度。到目前为止，在发生云故障的情况下，通常只提供诸如“恢复工作正在进行中”之类的模糊信息，而客户公司很难做出回应。
重新思考风险管理
此事件对企业云战略具有重要影响。尽管人们重新认识到多云战略的重要性，但完全冗余会带来技术复杂性和成本问题。
尤其是对于中小型企业来说，使用多个云提供商是不切实际的。相反，重要的是依赖关系的可视化以及发生故障时业务连续性计划（BCP）的制定。
托马斯·库里安的责任和未来
正如上一篇文章中提到的，Thomas Kurian 领导的谷歌云是近年来快速增长的细分市场，并受益于人工智能的需求。这次正式道歉可以说是他的领导力将受到考验的重要时刻。实施承诺的改进将是重新获得对 Google Cloud 信任的关键。
【术语解释】
配额政策检查
管理和监控云服务中用户的资源使用限制的功能。控制 API 请求的频率和数量。
特征标志
分阶段发布新功能的开发方法。仅向有限数量的用户提供新功能，以最大程度地减少出现问题时的影响。
503错误
HTTP 状态代码表示 Web 服务器暂时不可用。当服务器过载时发生。
单点故障
单个组件可能会导致整个系统停止工作。如果这个部分出现故障，整个系统都会受到影响。
[参考链接]
谷歌云平台（外部）
由谷歌提供的云计算服务。它提供人工智能/机器学习、数据管理和混合/多云解决方案。
云耀（外部）
一种 CDN 服务，可提高世界各地网站的安全性和性能。它保护大约 20% 的网站，平均每天阻止 247 亿个威胁。
开放人工智能（外部）
一家开发ChatGPT和GPT-4等大规模语言模型的AI研究公司。它通过 API 为许多应用程序提供 AI 功能。
购物（外部）
全球最大的电子商务平台之一。数以百万计的企业在超过 175 个国家/地区经营在线商店。
谷歌云服务健康状况（外部）
官方状态页面，您可以在其中查看 Google Cloud 服务的运行状态和事件历史记录。您可以实时监控服务状态。
[参考文章]
谷歌就长达数小时的云服务中断发表道歉和事件报告
谷歌周五发布的官方道歉和事件报告的详细信息。描述了由于多层有缺陷的更新导致全球 70 多项服务中断。
[编者后记]
谷歌云中断再次凸显了我们日常依赖的数字基础设施的漏洞。
您的公司或个人项目是否有任何部分依赖于云服务？如果您能借此机会回顾一下您偶尔使用的服务所建立的技术基础，我将非常高兴。
此外，您的组织在多云策略和备份系统方面采取了哪些措施？请通过SNS告知我们。