指南 公开事故复盘

公开事故复盘收录 AWS、GitLab、GitHub、Cloudflare 等公开报告的摘要与解读，按“事件概要 → 时间线 → 影响面 → 根因 → 处置与恢复 → 教训 → 检查清单”组织，事实以原始报告为准。

• public-postmortem-aws-kinesis-2020 - 一次小规模扩容把 Kinesis 前端推过操作系统线程上限，分片映射构建失败，连锁影响 CloudWatch、Cognito、Lambda 等多项服务。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-aws-s3-2017 - 一条输错的容量移除命令，让 S3 的索引与放置子系统整体重启，US-EAST-1 的 S3 请求一度无法处理。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-circleci-2023 - 一台被植入恶意软件的工程师笔记本，让 CircleCI 客户的密钥在 2022 年末暴露，并触发全平台凭据轮换。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-cloudflare-2019 - 一条 WAF 正则因灾难性回溯打满全球边缘 CPU，Cloudflare 全网 502 持续 27 分钟。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-cloudflare-2020 - 一次为缓解骨干拥塞而做的一行路由变更，误把全部 BGP 路由泄漏到骨干，流量被吸往亚特兰大，Cloudflare 全球部分节点中断 27 分钟。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-datadog-2023 - 一次常规的 systemd 安全更新，在五分钟内让 Datadog 五个区域、数万个节点同时失联。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-facebook-2021 - 一次例行骨干维护命令误删全部骨干连接，BGP 撤路由让仍在运行的 DNS 服务器从互联网上消失，Facebook 全球服务随之中断。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-github-2018 - 43 秒网络分区触发 Orchestrator 跨区域选主，GitHub 为保住写入选择“向前恢复”，事故持续 24 小时 11 分钟。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-gitlab-2017 - 一次本意重建从库的目录清空操作落在主库上，约 300 GB 数据被删，GitLab.com 停摆约 18 小时并丢失数小时数据。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-google-cloud-2019 - 一次原本针对单区域少量服务器的维护，误把多个区域的网络控制平面同时下线，BGP 路由撤回让 Google Cloud 多个区域失去大半网络容量。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-index - 公开事故复盘索引：按根因找同类事故这是一张“按根因找同类事故”的索引，不是 12 篇复盘的摘要合集。每条只保留事故、年份、直接根因、一句话教训和可对照的 Runbook；时间线、影响面、恢复过程和报告边界请回到原复盘。分组按“直接根因”归入一组，但很多事故是多因叠加，组内提示和第二假设同样重要。> 事实以各事故的官方报告为准。本页不补写报告没有给出的数字，也不把传播中的简化标签当作根因。
• public-postmortem-roblox-2021 - 一个 Consul 集群、两个低层缺陷，让 Roblox 在 2021 年 10 月停机 73 小时。> 本文是公开报告的摘要与解读，事实以原始报告为准。
• public-postmortem-slack-2021 - 一次节后流量高峰击穿了 AWS Transit Gateway，Slack 的自动扩缩容又在错误方向上放大了故障。> 本文是公开报告的摘要与解读，事实以原始报告为准。