8月21日，GitHub 公布了 8 月 17 日平台大规模宕机事件的调查结果，确认此次事故并非由程序代码或配置变更引起，而是基础设施容量未能跟上平台使用量的快速增长。本次大规模宕机合计造成 GitHub 网站、身份验证、GitHub Actions、API、Pull Request、Issues 等多项服务中断 7 小时 47 分钟。
GitHub 表示，当日平台流量创下历史新高后，美国中部数据中心的一项关键基础设施组件容量不足，导致压力扩散至其他系统，进而引发身份验证失败及多项服务异常。在恢复过程中，部分服务因错误触发客户端重试机制，进一步增加系统流量，最终技术人员花费较长时间才完全恢复平台服务。
这已是 GitHub 本月发生的第二起重大服务事故。此前，GitHub Actions 已在 8 月 6 日发生服务故障。GitHub 指出，两起事故的核心问题均为基础设施容量不足，而非程序代码或配置变更导致的故障。
GitHub 近期平台使用量增长迅速。今年 4 月至今，每月提交（commit）次数已从 14 亿次增加至 29 亿次，合并 Pull Request 以及新建代码仓库的数量也持续增长。为应对使用量持续攀升，GitHub 今年已增加超过 300 万个 CPU 核心、120PB 高速存储空间及网络容量，并加快将工作负载迁移至微软 Azure。目前约 58％ 的 GitHub 平台负载已由 Azure 承载，远高于今年 5 月的 12％；约一半的 Git 操作也已由 Azure 负责处理。
尽管微软采取了上述优化措施，仍出现了用户量挤垮平台服务的情况。GitHub 表示，接下来技术人员将进一步隔离平台关键系统，减少不同服务之间的共同依赖，同时统一设置服务间的重试次数上限和超时机制，避免系统异常时大量客户端或服务自动重复请求进一步增加负载，最终形成连锁故障。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
