Awaria AWS Paraliżuje Usługi Milionów Użytkowników, Podnosząc Pytania o Bezpieczeństwo i Niezawodność
W poniedziałek, 20 października, miliony użytkowników internetu doświadczyło bolesnej lekcji, stając przed pytaniem, którego wcześniej prawdopodobnie nawet nie znali: co łączy Snapchat, Roblox, Fortnite, Signal, linie lotnicze United i Delta oraz niezliczoną ilość stron internetowych i usług? Odpowiedź okazała się prosta – wszystkie zostały sparaliżowane przez awarię w centrum danych Amazon Web Services (AWS), działającej pod skrzydłach giganta e-commerce. AWS to jeden z czołowych dostawców usług chmurowych, odpowiadający za przechowywanie danych klientów, zarządzanie transferem i transmisją danych między nimi i użytkownikami. Usterka w centrum danych w północnej Wirginii spowodowała, że przed północą czasu atlantyckiego w niedzielę, na kilka minut, wyłączyło się 141 usług AWS, a także firmy klienckie zależne od tej platformy, wywołując lawinę przerw w działaniu, dotykających użytkowników na całym świecie.
Dotknięte awarią były również urządzenia Ring od Amazon, służące do domowej ochrony, takie jak wideodomofony. Firma Amazon nie potwierdziła rozwiązania problemu aż do godziny 15:53 czasu atlantyckiego w poniedziałek, a niektórzy klienci zgłaszali problemy nawet we wtorek. Straty poniesione przez klientów AWS i ich miliony użytkowników są trudne do oszacowania. Klienci mieli problemy z dostępem do swoich usług i kont, transakcje bankowe nie mogły być dokończone, a pasażerowie linii lotniczych United i Delta mieli problemy z rezerwacjami, zameldowaniem się na lot i odbiorem biletów. Pracownicy linii lotniczych musieli sięgnąć po ręczne metody działania, przypominające czasy sprzed internetu. Właściciele zaawansowanych, kosztujących tysiące dolarów, łóżek Eight Sleep, wymagających rocznych opłat, zgłaszali problemy z niewygodną pozycją i brakiem kontroli nad ogrzewaniem.
Awaria ta z pewnością rodzi pytania o to, czy Amazon – i inne firmy z sektora Big Tech – nadzoruje swoje systemy z wystarczającą starannością, biorąc pod uwagę ich kluczową rolę w usługach o globalnym zasięgu. W środowisku prawniczym mówi się o zasadzie "res ipsa loquitur" - "rzecz mówi sama za siebie". W tym przypadku rzecz mówi "nie". W czasach, gdy tradycyjna telefonia była w rękach jednej firmy, AT&T, firma dążyła do osiągnięcia "pięciu dziewiątek" niezawodności, co oznaczało 99,999% czasu działania bez przestojów, czyli maksymalnie około 5,26 minut rocznie. AWS, ze względu na długotrwałą awarię trwającą co najmniej 15 godzin (900 minut), praktycznie porzuciło ten standard. Standard "pięciu dziewiątek" odzwierciedlał przekonanie, że usługa telefoniczna jest zbyt ważna, by nie działała niemal zawsze. Dziś dostawcy usług cyfrowych często przyjmują podejście, że "wystarczająco dobre" powinno być akceptowalne dla wszystkich.
Jak zauważono w zeszłym roku, niektóre z najbogatszych firm na świecie gromadzą miliardy dolarów zysków, ale nie inwestują wystarczająco, aby chronić dane osobowe klientów przed hakerami. AT&T, generując 16,7 miliarda dolarów zysku przed opodatkowaniem w zeszłym roku, była tak lekkomyślna w kwestii ochrony danych swoich klientów, że dane prawie wszystkich z nich – 110 milionów użytkowników – trafiły w ręce “motywowanych finansowo" hakerów. Amazon, jak dotąd przekonująco, zapewniło, że awaria nie była spowodowana atakiem hakerów ani innymi działaniami wrogich podmiotów. Problemy wynikają z wewnętrznych usterek. Mianowicie, doszło do problemów z systemem Domain Name System (DNS), który tłumaczy wpisywane adresy URL na komunikację z daną stroną internetową. Ta technologiczna dezorientacja rozprzestrzeniła się w strukturze AWS, powodując problemy zarówno na stronach internetowych, jak i dla użytkowników. Amazon obiecało przedstawienie podsumowania po zakończonym incydencie, w którym wyjaśnione zostanie przyczynę awarii.
Większość winy spoczywa na Amazonie. Niektórzy obserwatorzy rynku spekulują, że awaria może być związana z redukcją zatrudnienia w jednostce obliczeniowej chmurowej, gdzie zamiast pracowników miały być wprowadzane rozwiązania oparte na sztucznej inteligencji. Firma potwierdziła redukcję zatrudnienia, ale nie podano dokładnej liczby zredukowanych stanowisk. Reuters poinformował, że dotyczyła ona setek stanowisk. Amazon odrzuciło spekulacje o związku między awarią a redukcją zatrudnienia, wskazując na wypowiedź CEO AWS, Matta Garmana, który określił te przypuszczenia jako "jedną z najbardziej głupich rzeczy, które kiedykolwiek usłyszał".
Pomimo to niejasne jest, które stanowiska zostały zlikwidowane w jednostce chmurowej. Wiele firm technologicznych od lat ostrzegało przed brakiem planów awaryjnych u operatorów stron internetowych. AWS nie jest jedyną platformą chmurową – istnieją Microsoft i Google, które również znajdują się w ścisłej czołówce. Użytkownicy AWS nie są również związani z korzystaniem wyłącznie z centrum danych w północnej Wirginii – AWS ma takie centra w całym kraju i zaleciło użytkownikom zmianę na inne. Jednak w przypadku awarii centrum w Wirginii, użytkownicy zostali pozostawieni bez opcji, jeśli wcześniej nie wdrożyli odpowiednich rozwiązań. Jak doradza Lydia Leong z firmy konsultingowej Gartner, firmy IT powinny "projektować z myślą o awariach (bo się one wydarzą)". "Nowoczesne aplikacje natywne dla chmury powinny dystrybuować obciążenia między różne strefy dostępności i być przygotowane na szybkie przełączanie się na inny region, gdy zajdzie taka potrzeba" - w praktyce, powinny automatycznie przenosić dane z obszarów problemowych. Chodzi o zmniejszenie ryzyka i skrócenie czasu naprawy.
Problem ten może być wynikiem historii internetu, jak zauważył Jorg Dekker z firmy Arelion. Internet został zaprojektowany jako system, który ufa wszystkim danym przesyłanym przez połączone sieci. "Oznacza to, że zakłada, że wszystkie aktualizacje są prawidłowe, sieć może ogłaszać dowolne rzeczy, a dostępne zasoby nie mogą być sprawdzane" – wyjaśnia. Oryginalni projektanci sieci rozwiązali ten niedociągnięcie, umożliwiając sieci omijanie uszkodzeń lub innych problemów. "Internet omija uszkodzenia" - to mantra, która jednak nie zawsze działa, zwłaszcza gdy uszkodzenie dotyczy podstawowej funkcjonalności. I czasami zaufane aktualizacje nie powinny być zaufane, co miało miejsce w przypadku awarii CrowdStrike w zeszłym roku. Nieprawidłowo zaprojektowana aktualizacja oprogramowania, wprowadzona przez firmę CrowdStrike i automatycznie zainstalowana na urządzeniach użytkowników, natychmiastowo wyłączyła miliony komputerów z systemami Microsoft, pozostawiając je wyłączone do czasu ręcznych poprawek. Błędne oprogramowanie CrowdStrike było głęboko osadzone w systemie operacyjnym Microsoft, co powodowało, że za każdym razem, gdy komputer uruchamiał się ponownie, pojawiała się ta sama usterka i natychmiast się wyłączał, w nieskończonym "doom loop". Jak napisałem wtedy: "Tysiące lotów zostało odwołanych, lekarze nie mogli wykonywać operacji, transakcje bankowe zostały zamrożone, a numery alarmowe 911 przestały odpowiadać".
Niewątpliwie istnieją korzyści z powierzenia najważniejszych elementów internetu pod opiekę trzech najbogatszych firm technologicznych. Mają one środki na utrzymanie wysokiej jakości i niezawodności. Jednak ich systemy działają idealnie, aż do momentu, gdy przestają działać, co sprawia, że globalna zależność od kilku dużych operatorów zamienia się w globalne załamanie.