روز ۱۲ ژوئن ۲۰۲۵ گوگل کلاود به مدت ۳ ساعت دچار اختلال شد و کاربران با ارور ۵۰۳ مواجه بودن. گوگل در یک گزارش مفصل post mortem توضیح داده که چه اتفاقی افتاده و مهندسهاش چه اقداماتی برای بازگردوندن سرویس انجام دادن:
Multiple GCP products are experiencing Service issues
بلاگ Surfing Complexity که دربارهٔ موضوعات پایداری سیستمها مینویسه، در یکی از نوشتههاش (که چند ماه پیش اینجا در @techgrub هم بازنشر شده بود) میگه که در این گزارش، به خوبی و با جزئیات قابل قبولی به اقداماتی که در راستای پایداری مجدد سیستم صورت گرفته اشاره کردن.
وقتی یک حادثه رخ میده، همه دنبال این هستن که بدونن هزینهٔ حادثه چقدر بوده و چه اقداماتی لازمه انجام بشه تا دوباره مشکل مشابه پیش نیاد. اما به این که چه تلاشهایی صورت گرفته تا سیستم دوباره پایدار بشه معمولاً اهمیت کمتری داده میشه.
واقعیت اینه که شما هیچ وقت نمیتونین مطمئن باشید در زمان حادثه بهترین مهندسها یا افرادی که با اون سیستم آشنایی خوبی دارن در صحنه حاضر باشن. خیلی وقتها افراد با دانش و تجربه کمتر حضور دارن. اینجاست که مستندسازی دقیق اکشنهای انجامشده توسط افراد باتجربه میتونه به اونها کمک کنه یاد بگیرن و در آینده زمان ریکاوری رو کوتاهتر کنن.
نوشتهٔ کامل رو اینجا میتونید بخونید:
“What went well” is more than just a pat on the back
این نوشته رو اول در کانال تلگرام منتشر کردم. اگر دوست دارید نوشتههای بعدی رو زودتر بخونید، پیشنهاد میکنم عضو کانال بشید.