summary
2020 年，Discord 所依赖的 Google Cloud Platform 对其托管的 Redis 主节点执行了一次自动维护迁移（live migration）。该迁移触发了 GCP 一个已知的 Redis failover 问题：主节点在迁移/切换过程中出现连接中断或角色切换异常，导致 Discord 的缓存与实时状态层出现卡顿与错误，并向上传导到实时通信与网关。
timeline
GCP 在维护窗口对 Redis 主节点做自动迁移；迁移期间主节点短暂不可用或角色切换异常，Discord 缓存命中率骤降、连接层抖动。Discord 通过连接重试/降级与等待 GCP 完成迁移逐步恢复，并调整了 Redis 使用方式以降低对单主迁移的敏感度。
root_cause
云厂商对托管 Redis 的自动维护迁移与 Discord 的客户端/架构假设不匹配，触发已知 failover 缺陷，使缓存/状态层在一个窗口内不稳定。
amplifiers
① 云托管维护不可控：自动迁移发生在 Discord 无法干预的窗口。② 已知缺陷被触发：GCP Redis failover 问题在迁移中显现。③ 缓存/状态强依赖：Redis 不稳直接传导到实时层。④ 缺乏平滑切换：迁移期间无足够缓冲。
mitigation
等待 GCP 完成迁移并恢复；Discord 调整 Redis 客户端重试/降级策略，并审视对单主迁移的敏感度。后续与云厂商对齐维护行为并加固客户端。
lessons
对托管 Redis 的自动维护应可预测/可协商；客户端需对 failover 做重试与降级；关键状态层避免强依赖单一主节点；与云厂商对齐维护窗口与已知缺陷。
checklist
① 与云厂商对齐 Redis 维护窗口。② 客户端增加 failover 重试与降级。③ 状态层去单主强依赖（副本读/本地缓存）。④ 监控迁移期间缓存命中率骤降。