AWS 公開服務故障原因，員工除錯時輸入錯誤指令

日前 AWS 服務故障，影響眾多網站。AWS 公開了故障原因，表示員工在除錯時輸入錯誤指令，移除了較正常數目為多的伺服器，進而影響 S3 兩個子系統的運作。

兩個 S3 子系統需重新啟動

AWS 北維吉尼亞州的數據中心（US-EAST-1）日前發生故障，影響眾多網站，現在公開更多細節。他們表示，S3 團隊日前發現支付系統的運作較慢，於是輸入指令，打算移除 S3 子系統中用於處理支付的少量伺服器，但其中一個指令有誤，導致更多的伺服器也被移除。

該些伺服器是用作支援另外兩個 S3 子系統的運作。一個是索引子系統（Index subsystem），用於管理 S3 物件的元資料（metadata）和地方資料，需要處理所有 GET、LIST、PUT 和 DELETE 請求；另一個是存放子系統（Placement subsystem），負責管理新儲存的分布，需要索引子系統方可正常運作，當要處理 PUT 請求時便會用到。

由於為數不少的容量（capacity）被移除，子系統需要重新啟動，過程中 S3 無法處理服務請求。因此其他依賴 S3 運作的儲存服務，如 S3 控制台、Amazon EC2 建立新執行個體（instance）、Amazon EBS 和 Amazon Lambda 都無法運作。

AWS 稱，由於兩個子系統已經多年未有完全重新啟動，加上 S3 近年迅速發展，重新啟動和檢查數據的時間較預期中久。

他們又指，之前的工具把容量移除得太快，現在他們已改良工具，減慢移除速度，並確保子系統不會有過少的容量，避免相同事件發生。他們也就事件致歉，將汲取教訓提升可靠度。