7行代码让B站崩溃3小时，竟因“一个诡计多端的0”

一个小小字符“0”，行代竟引得B站全面崩溃。码让

不知你是崩溃否还记得那一夜，B站“大楼停电” 
、竟因计多“服务器爆炸” 、个诡“程序员删库跑路”的行代彻夜狂欢。（手动狗头）

时隔一年，码让背后“真凶”现在终于被阿B披露出来——

没想到吧，崩溃就是竟因计多这么简单几行代码，直接干趴B站两三个小时，个诡搞得B站程序员彻夜无眠头发狂掉 。行代

你可能会问，码让这不就是崩溃个普普通通用来求最大公约数的源码下载函数吗 ，怎么就有如此大的竟因计多威力？

背后一桩桩一件件
，归根结底其实就一句话 ：0
，个诡它真的不兴除啊。

具体详情 ，咱们还是一起来看看“事故报告”。

字符串“0”引发的“血案”

先来说道说道引发惨案的根本原因，也就是开头贴出的这个gcd函数 。

学过一点编程知识的亿华云小伙伴应该都知道，这是一种用辗转相除法来计算最大公约数的递归函数  。

跟我们手算最大公约数的方法不同，这个算法是酱婶的：

举个简单的例子，a=24 ，b=18，求a和b的最大公约数；a除以b，得到的余数是建站模板6
，那么就让a=18，b=6，然后接着往下算；18除以6 ，这回余数是0，那么6也就是24和18的最大公约数了 。

也就是说 ，a和b反复相除取余数，直到b=0，函数中：

if b==0 then return a end

这个判断语句生效，结果就算出来了
。

基于这样的源码库数学原理，我们再来看这段代码，似乎没什么问题：

但如果输入的b是个字符串“0”呢 ？

B站的技术解析文章中提到，这段出事的代码是用Lua写的
。Lua具有这么几个特点：

这是一种动态类型语言
，常用习惯里变量不需要定义类型，直接给变量赋值就行。Lua在对一个数字字符串进行算术操作时 ，会尝试将这个数字字符串转成一个数字。服务器租用在Lua语言中，数学运算n%0的结果是nan(Not A Number)。

我们来模拟一下这个过程 ：

当b是一个字符串“0”时，由于这个gcd函数没有对其进行类型校验 ，因此在碰上判定语句时 ，“0”不等于0，代码中“return _gcd(b, a%b)”触发
，返回_gcd(“0”, nan)。_gcd(“0”, nan)再次被执行 ，于是返回值变成了_gcd(nan, nan) 。

这下就完犊子了，判定语句中b=0的云计算条件永远没法达到，于是，死循环出现了 。

也就是说 ，这个程序开始疯狂地原地转圈 ，并且为了一个永远得不到的结果，把CPU占了个100%，别的用户请求自然就处理不了了 。

那么问题来了
，这个“0”它到底是怎么进去的呢？

官方说法是：

在某种发布模式中，应用的实例权重会短暂地调整为0，此时注册中心返回给SLB（负载均衡）的权重是字符串类型的“0”
。此发布环境只有生产环境会用到  ，同时使用的频率极低 ，在SLB前期灰度过程中未触发此问题 。

SLB在balance_by_lua阶段 ，会将共享内存中保存的服务IP 、Port、Weight作为参数传给lua-resty-balancer模块用于选择upstream server，在节点weight=“0”时 ，balancer模块中的_gcd函数收到的入参b可能为“0” 。

bug是如何定位的

以“事后诸葛亮”的视角来看，这个引发B站全面崩溃的根本原因多少有点让人直呼“就这”
。

但从当事程序员的视角来看，事情确实没有辣么简单
。

当天晚上22:52分——大部分程序员才刚下班或者还没下班的节骨眼（doge），B站运维收到服务不可用的报警，第一时间怀疑机房
、网络、四层LB 、七层SLB等基础设施出现问题。

然后立马和相关技术人员拉了个紧急语音会议开始处理。

5分钟后，运维发现承载全部在线业务的主机房七层SLB的CPU占用率达到了100%，无法处理用户请求，排除其他设施后 ，锁定故障为该层。

（七层SLB是指基于URL等应用层信息的负载均衡 
。负载均衡通过算法把客户请求分配到服务器集群，从而减少服务器压力。）

万般紧急之时 ，小插曲还现了：远程在家的程序员登上VPN却没法进入内网，只好又去call了一遍内网负责人 ，走了个绿色通道才全部上线（因为其中一个域名是由故障的SLB代理的）。

此时已经过去了25分钟 ，抢修正式开始 。

首先，运维先热重启了一遍SLB，未恢复；然后尝试拒绝用户流量冷重启SLB，CPU依然100%，还是未恢复 。

接着 ，运维发现多活机房SLB请求大量超时，但CPU未过载，正准备重启多活机房SLB时，内部群反应主站服务已恢复
，视频播放、推荐 、评论 、动态等功能已基本正常。

此时是23点23分，距离事故发生31分钟 。

值得一提的是 ，这些功能恢复其实是事发之时被网友们吐槽的“高可用容灾架构”发挥了作用。

至于这道防线为啥一开始没发挥作用 ，里头可能还有你我一点锅。

简单来说，就是大家伙点不开B站就开始疯狂刷新，CDN流量回源重试 + 用户重试，直接让B站流量突增4倍以上 ，连接数突增100倍到千万级别 ，多活SLB就给整过载了。

不过，并不是所有服务都搞了多活架构，至此事情并没完全解决。

接下来的半个小时里
，大家做了很多操作，回滚了最近两周左右上线的Lua代码，都没把剩余的服务恢复 。

时间来到了12点，没有办法了
，“先不管bug是怎么出来的，把服务全恢复了再说” 。

简单+粗暴：运维直接耗时一小时重建了一组全新的SLB集群。

凌晨1点，新集群终于建好：

一边，有人负责陆续将直播 、电商、漫画、支付等核心业务流量切换到新集群 ，恢复全部服务（凌晨1点50分全部搞定
，暂时结束了崩了逼近3个小时的事故）；另一边，继续分析bug原因。

在他们用分析工具跑出一份详细的火焰图数据后，那个搞事的“0”才终于露出了一点端倪 ：

CPU热点明显集中在一个对lua-resty-balancer模块的调用中 。而该模块的_gcd函数在某次执行后返回了一个预期外的值：NaN。

同时 ，他们也发现了触发诱因的条件 ：某个容器IP的weight=0。

他们怀疑是该函数触发了jit编译器的某个bug ，运行出错陷入死循环导致SLB CPU 100%。

于是就全局关闭了jit编译，暂时规避了风险。一切都解决完后 ，已经快4点 ，大家终于暂时睡了个好觉 
。

第二天大家也没闲着 ，马不停蹄地在线下环境复现了bug后，发现并不是jit编译器的问题，而是服务的某种特殊发布模式会出现容器实例权重为0的情况，而这个0是个字符串形式。

正如前面所说，这个字符串“0”在动态语言Lua中的算术操作中，被转成了数字 ，走到了不该走的分支，造成了死循环 ，引发了b站此次前所未见的大崩溃事件。

递归的锅还是弱类型语言的锅？

不少网友都还对这次事故记忆犹新 ，有回想起自己就是以为手机不行换电脑也不行的，也有人还记得当时5分钟后此事就上了热搜
。

大家都很诧异 ，就这么一个简单的死循环就能造成如此大的网站崩服。

不过，有人指出
，死循环不罕见 ，罕见的是在SLB层 、在分发过程出问题 ，它还不像在后台出问题很快能重启解决。

为了避免这种情况发生 ， 有人认为要慎用递归，硬要用还是设置一个计数器 ，达到一个业务不太可能达到的值后直接return掉。

还有人认为这不怪递归 ，主要还是弱类型语言的锅
。

以此还导致了“诡计多端的‘0’”这一打趣的说法。

另外，由于事故实在是耽误了太久  、太多事儿，当时B站给所有用户补了一天大会员 
。

有人就在此算了一笔账 ，称就是这7行代码 ，让b站老板一下亏了大约1，5750，0000元。（手动狗头）

对于这个bug
，你有什么想吐槽的 ？