2023年11月27日晚至2023年11月28日早晨，滴滴發生了長達12小時的P0級故障，導致滴滴核心業務都受到了影響，比如不顯示定位無法打車、滴滴單車無法掃碼等問題，期間滴滴進行了多次致歉

目前問題故障已經恢復，根據最新的消息得知造成此次事故的原因，是由于升級K8S 集群導致

那么在K8s升級過程中，遇到了那些問題，我們可以從滴滴彈性云基于 K8S 的調度實踐 文章中看出一些原因

1. 集群體量大

最大集群規模已經遠遠超出了社區推薦的5千個 node 上限，有問題的爆炸半徑大；

2. 版本升級跨度大

直接從1.12 升級到了1.20，跨越多個版本，有可能存在api不兼容的問題

3. 升級方式應該選擇了原地升級

雖然滴滴有能力基于K8S二次開發，但是由于版本跨度較大，細節點較多，原地升級風險我覺得比替換升級
大不少。

比如集群版本已經升級為1.20，但是Node節點的kubelet的版本還是 1.12，如果api不兼容，那么這個影響是非常大的，集群回滾又沒有那么快。

基于以上三點P0故障就這樣產生了，至于為什么不采用替換升級方式？

作者認為替換升級需要業務系統配合，推進難

通常情況下，替換升級的風險最小，因為一旦出現問題，可以及時回滾，然而這種方式需要與業務系統進行配合改造。

對于像滴滴這樣規模巨大的業務，讓每個業務方逐一配合是非常困難的(也可能業務方核心人員被降本增效了)。

同時，如果替換升級出現問題，業務方也有一定的責任，因此干脆由運維團隊來負責這個任務可能更為合適。

總結

以上是生活随笔為你收集整理的通过滴滴技术博客：探寻造成此次P0故障的真正原因的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。