如果有人告诉你,45分钟就能搞垮一家大公司,你可能会觉得有点荒谬。但工程师doug seven却真的亲历过这样的事情。
8年前,因为一次失败的部署,knight capital group在仅仅45分钟内就遭到了4.6亿美元的亏损。
这是一个真实的故事。
尽管doug seven并不是事件的参与者,但他在后来的会议中不断提及devops、代码配置和持续交付的主题,希望让开发人员意识到部署的重要性。
究竟是怎么回事?doug seven在博客中分享了这个故事。
故事背景
这个故事的主角是一家名为knight capital group的美国全球金融服务公司,它从事做市、电子执行、机构销售和交易。
2012年,knight是美国最大的股票交易商,在纽约证交所和纳斯达克的市场份额约为17%。knight电子交易集团(etg)平均每日交易量超过33亿笔,每日交易额超过210亿美元。
种种数据表明,当时公司的运营和财务状况非常优秀。
2012年7月31日,knight拥有约3.65亿美元的资产。
当时,纽约证交所正计划于2012年8月1日推出一项新的零售流动性计划。
为了准备这次活动,knight更新了他们的路由器smars。这个路由器负责将订单发送到市场上执行。smars的核心功能之一是接收knight交易平台其他组件的订单(父订单),然后发送一个或多个子订单执行。
换言之,smars将从交易平台收到大量订单,并将它们分成多个较小的订单,以便找到股票数量相匹配的买家或者卖家。父订单越大,生成的子订单越多。
在smars中,有一段老旧的代码,名为“power peg”,它已经8年没被用到过了,而此次更新的目的正是要换掉这段代码。
更新的代码重新调整了用于激活power peg功能的旧标志的功能。
代码经过了彻底的测试,并且还进行了一系列的验证。所有的一切都看起来很完美,找不到出错的理由。
死灰复燃的旧代码
2012年7月27日至2012年7月31日期间,knight的开发人员每天手动将新的软件部署到公司的8台服务器上。这就是sec文件中关于手动部署过程的内容。如果sec文件中有关于部署的内容,那么就可能出现了严重的错误。
然而,在新代码的部署过程中,knight的一名技术人员忘记将新代码复制到所有8台smars计算机服务器中——他漏掉了其中一台服务器,没有第二个技术人员来审查这个部署。
knight的所有人都没有意识到,power peg代码并没有从第8个服务器上删除,也没有添加新的rlp代码。knight没有书面流程要求这样的审查。
2012年8月1日,在美国东部时间上午9:30,市场开盘。knight开始代表客户处理订单。
具有正确smars部署的7台服务器开始正确处理这些订单。然而,发送到第8台服务器的命令触发了可支持的重新利用标志,并从死地中恢复了旧的power peg代码。
杀手代码如僵尸般的攻击
power peg代码用于在执行子订单时,根据父订单计算购买或者出售的股份。power peg将指示系统在完成父订单后停止传送子订单。
也就是说,power peg会跟踪子订单,并在父订单完成后停止它们。
2005年,knight将这种累计跟踪功能移到了代码执行的早期阶段,从而从power peg中删除了计数跟踪。
当激活第8台服务器上的power peg标志时,power peg功能开始路由子订单以供执行。但由于没有根据父订单跟踪共享量,造成了一个永无止境的循环。
地狱45分钟
想象一下,如果你有一个系统,它能够向市场发送自动化的、高速的订单,且没有任何跟踪程序来检查是否执行了足够的订单,会发生什么?没有比这更糟糕的事了。
上午9:30开市时,人们很快就知道出了问题。到上午9点31分,华尔街的许多人都清楚发生了一些严重的事情。市场上充斥着非正常交易量的股票订单。
到上午9点32分,华尔街的人们都在想,为什么订单还没有停下来,为什么没有人按下任何系统的关闭开关?结果他们发现,并没有关闭开关。
在交易的前45分钟里,knight的交易量占了总交易量的50%以上,这使得某些股票的市值上涨了10%以上。因此,其他股票因错误的交易而贬值。
更糟糕的是,knight的系统在当天早些时候开始自动发送电子邮件。早在上午8:01,smar已经处理了符合上市前交易条件的订单。邮件消息引用smars,并将错误识别为“power peg disabled”。
在上午8:01到9:30之间,knight工作人员也收到了97封邮件。可惜的是,这些电子邮件不是作为系统警报设计的,因此没有人立即查看它们。
在knight经历的45分钟内,他们尝试了几种反制措施,试图阻止错误的交易。由于没有终止开关,所以他们只能在实时交易环境中尝试诊断问题。
每分钟,系统上约有800万股股票被交易。他们无法确定是什么导致了错误的命令,搜易从正确部署的服务器上卸载了新代码。
换句话说,他们删除了工作代码,留下了损坏的代码。
这更加放大了问题。最开始,仅在部署不正确的服务器上,额外的父命令激活了power peg代码。现在,问题蔓延到了所有服务器上。
最后,他们终于停止了系统,但此时已经进行了45分钟的交易。
在开盘的前45分钟,市场收到并处理了212份父订单。因此,smars向市场发送了数以百万计的子订单,产生了400万笔交易,而其中154只股票的交易量超过了3.97亿股。
这意味着,knight资本集团在45分钟内造成了4.6亿美元的亏损。
然而,knight只有3.65亿美元的资产。
45分钟后,美国股市最大的交易商、纽约证交所和纳斯达克的主要做市商knight破产,4个月后被getco llc收购。
软件发布必须可重复、可靠
所有开发和运营团队都应该从这次事件中吸取教训。仅仅构建优秀的软件并对其进行测试是不够的,你还必须确保它被正确地交付给市场,这样你的客户才能获得你所交付的价值。
部署smars的工程师并不是此事唯一的责任人,knight设置的流程和他们所面临的风险并不匹配。此外,他们的流程天生就容易出错。
任何时候,如果你的部署过程依赖于人主动阅读和遵循说明,那么都将面临风险。人是会犯错的。错误可能出现在指令中,也可能出现在指令的解释中,或出现在指令的执行中。
部署需要自动化,并且可重复,尽可能避免潜在的人为错误。如果knight实现了自动化部署系统,将配置、部署和测试全部自动化,那么这次错误本可以避免。
即使没有实施完整的连续交付过程,你仍然需要遵守的几个连续交付原则:
-软件发布应该是一个可重复、可靠的过程。
-尽可能地自动化。
编辑:齐少恒
相关热词搜索: