Gitlab 官方对整个数据删除事件的详细说明

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。

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。

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。

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。

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

编译自：GitLab.com Database Incident

本文链接：http://www.yunweipai.com/10651.html