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 Cap# W i H 9 ! & 0 hital Group 在仅仅 45 分钟内就造成了 4.6 亿美元的亏损。这是一p k o v - 3 J z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g g ; 0 b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6 2 # 1 2 . 7 {是一家名为 Knight Capital GroA g l # i 4 =up 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C + 0 ) V ! A )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I D W N元。

种种数据表明，当时公司的运营和财务状况非常优秀。F k !

2012 年 7 月 31 日，Kni& ; @ 7 K 2 L !ght 拥有约 3.65 亿美元的资产。

当时_ R a ~ 6 3 h，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，/ X 0 / G * . WKnight 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 的核心功能之一3 , R 8 ~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@ ] G v d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 Peg9 I A”，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 P@ P @ / P ` _ Aeg 功能的旧标志的功能。

代码经过了彻底的测试，并且还o T ) n : 9 {进行了一系列的验证。所有的一切都看起3 * U h { w y 7来很完美，找不到9 z l L { b c出错的理O 7 # M %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; y [ g M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4 } + H F %其5 C 9 d * P中一台服务器。

没5 : $ # N i 6 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4 X z N - 2 , 7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N g # a ! e D 5 B订单。然而，发送到第 8 台服务器的命令触发了可支v { l @持的重新利用标志，并从死地中恢复了旧的 Power Peg 代码。

杀, i W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g S V l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| % n自动化的、高速的订单，且没有任何跟踪o ] _ . p G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b I [ ; 6 t *的许多人都清楚发生了一些严c 9 t 0 ; K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R h开关？结果他们发现，并没有关闭开+ & = J D ( & n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 1 H H / s [ f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% S c b e j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M Q 1 `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2 - } ^ 7 800 万股股票被交易6 Z A y L $。他们无法确定是什么导致了错误的命令，所以他们从f ` - T S正确部 V _ y `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v q } 2 l S题蔓延到了所有服务器上。最1 c - # v 3 U w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d q m，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8 Z v 8 = i 。

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] S a g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。i % n % u 0 A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O c v k J ( O U h生就容易出错。任何时候，如8 r h D 8 H a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s G l f Z Z E 9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% R , * l ] 6部署系统，将配置、部署和测试全部自动化，} / S那么这次错误本可以避免。

即使没有实施P 0 6 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j Y h ,过程。
• 尽可能地自动化。

来源：https& ! / R t . ~ r D://dow b l d G J @ 0 lugseven.com/2014/04/17/knightmare-a-devops-cautionary-tale/` % ^ 3 I N H U )