摘要
2026 年 3 月 25 日，Discord 语音与视频服务发生全球中断，约 12:13–15:30 PDT（约 3 小时 17 分钟），用户无法发起或加入通话，长时间卡在「Awaiting Endpoint」。Discord 工程团队发布官方复盘：一次常规的语音基础设施配置更新，意外同时关闭了 17% 的 session 管理服务器——这些服务器维护每个设备的连接并协调几乎一切实时音视频链路，其部分失效立即冲击全球语音/视频路由，引发级联故障。消息与社区系统基本未受影响。
时间线
2026-03-25 12:13 PDT例行基础设施配置更新意外关闭 17% 的 session 管理服务器
2026-03-25 12:13 起语音/视频路由服务被突增负载压垮，全球通话失败、卡「Awaiting Endpoint」
2026-03-25 15:30 PDT完成恢复，语音/视频服务全面恢复
根因
一次看似无害的配置变更，触发了语音平台某部分的意外依赖关系，使服务发现与路由系统在高负载下失效。session 管理基础设施是实时运行的关键组件，其部分丢失立即影响语音/视频路由。分布式系统在突发负载尖峰沿旧瓶颈级联、并压垮新的瓶颈时尤为危险。
放大因素
- 单个配置变更同时影响 17% 的 session 管理服务器，超过冗余冗余度临界
- session 管理是实时音视频的协调中枢，部分失效即全局可见
- 被压垮的路由服务缺乏在「上游部分宕机」场景下的隔离与降级
缓解措施
- 打破依赖环路，加强核心语音组件之间的隔离
- 增加更严格的架构验证，防止类似耦合模式再次出现
- 增强可观测性工具，在升级为生产事故前检测隐藏耦合与异常流量
经验教训
- 高度弹性的分布式系统仍会因「关键内部依赖以意外方式紧耦合」而失效
- 各组件单独的冗余与故障转移假设「组件独立失效」，但隐藏耦合会让恢复机制反噬
- 韧性工程正从「堆冗余」转向「保证故障独立性与可恢复路径」
检查清单
- 配置变更是否评估过对关键协调组件（session/路由/服务发现）的爆炸半径
- 核心实时组件是否具备「上游部分失效」下的隔离与降级路径
- 是否存在隐蔽循环依赖（A→B→C→A 的健康检查/恢复耦合）
- 突发负载尖峰是否经过容量压测与瓶颈识别