Coinbase日前公布了5月8日系统宕机的事后复盘报告。报告指出，此次服务中断是由两大故障叠加引发的。其一，Coinbase 交易所的撮合引擎仅部署在 AWS 单一可用区的集群中，缺乏跨区自动故障转移机制。当 AWS 终止相关 EC2 实例后，五节点集群中有三节点下线，导致集群失去 quorum（多数节点）而无法继续工作。其二，AWS 托管的 Kafka 服务（MSK）控制面存在缺陷，分区的 Leader 无法自动重新选举，致使事件流基础设施进入“修复中”状态，进而波及报价、手续费服务以及账本管道等多个系统。
Coinbase 表示，交易在故障发生约8小时后恢复正常，全部系统在约20小时内恢复完毕。为防止类似事故再次发生，Coinbase 将采取以下改进措施：为撮合引擎引入跨可用区的热备设计；与 AWS 联合排查并修复 MSK 控制面的缺陷；并将现有的双可用区 Kafka 集群迁移至三可用区部署，以提升容灾能力。
