应用上云2小时烧掉近50万，创始人：差点破产
本文转载自 InfoQ，作者 Sudeep Chauhan
2020 年 3 月，我们的初创公司遭受巨大打击，差点破产。因为我们在对 Firebase 和 Cloud Run 进行内部测试的期间，一不小心在几个小时里烧掉了 72000 美元（约 47 万人民币）。
2019 年 11 月，我们开始开发 https://announce.today 服务，希望借此打造 MVP 产品的可用功能 V1 版本。作为初步尝试，我们的代码以简单的底层栈为依托，使用 JS、Python 代码并将产品部署在 Google App 引擎之上。
因为团队规模很小，所以我们的重点放在编写代码、设计 UI 以及准备产品身上。我们没在云管理上花多少心思，当时的目标很简单——能支撑起基本的开发流程（CI/CD）就行。
在这款 V1 Web 应用程序中，用户体验并不算流畅。但没关系，我们的诉求只是开发出一些可供用户体验的产品，同时也构建了更好的 Announce 版本。随着 COVID 疫情全面来袭，我们认为这正是做出改变的最佳时机，没准 Announce 会成为各国政府在全球范围内发布公告的理想选择。
当时用户还没有创建任何内容，但我们认为能在平台上提供一些既有数据可能更好。所以我们又建立了 Announce-AI 项目，旨在自动发布由 AI 创建的丰富内容。这里的丰富内容是指各类事件、地震等安全警告，以及本地用户可能关心的相关新闻。
1 技术细节
为了开发 Announce-AI，我们决定使用 Cloud Functions。由于我们抓取数据的周期还很短，所以 Cloud Functions 几乎是完美的选项。但在决定扩展规模之后，我们马上遇到了麻烦——Cloud Functions 的超时时间长达 9 分钟。
于是我们开始研究 Cloud Run，并发现它提供规模可观的免费资源使用层！必须承认，那时候我们对 Cloud Run 并不够了解，只是匆忙要求团队在 Cloud Fun 上部署“测试”Announce-AI 功能。我们当时想得很简单：尽快熟悉 Cloud Run，在探索中不断学习。
为了简单起见，我们在实验中只引入一个很小的站点，就使用了 Firebase 作为数据库（因为 Cloud Run 不提供任何存储功能）。站点规模真的很小，完全用不上 SQL Server 或者任何其他成熟的商业数据库。
我创建了名为 ANC-AI Dev 的新 GCP 项目，设置了 7 美元的云资源使用预算，并选择使用 Firebase Project on the Free(Spark) 计划。我们当时觉得，最糟糕的结果应该无非就是超出每日 Firestore 的免费限额，对吧？
在稍稍调整了代码之后，我们开始部署流程，向其发出了几条手动请求，而后就留下它保持运行。
2 噩梦由此开始
测试当天一切顺利，我们又回到了 Announce 本体的开发当中。在第二天下班之后，我稍微睡了一会。醒来之后，我发现邮箱里有几封来自 Google Cloud 的提醒邮件，而且邮件之间的间隔只有几分钟。
第一封邮件：Firebase Project 自动升级
第二封邮件：预算超支
幸运的是，我使用的信用卡设有 100 美元消费限额。于是收费停止，谷歌暂停了我们的所有账户。
第三封邮件：信用卡支付被拒
我跳下床，登录 Google Cloud Billing，并看到一张约 5000 美元的账单。说实话，那一刻我慌得不行，根本没办法正常思考。我到处张望，想弄明白出了什么问题，包括到底该怎么付清这笔 5000 美元巨款。
但问题在于，账单金额每分钟都在上涨。
5 分钟之后，账单数额增长到了 15000 美元；20 分钟后，数额增长至 25000 美元。我不确定这一切什么时候会停，或者说恐怕永远不会停止？
2 个小时后，数额最终定格在 72000 美元。
这时我和我的团队正忙着疯狂确认情况。我彻底呆若木鸡，根本不知道接下来该做点什么。我们停用了结算功能，同时关闭了所有服务。
由于我们在全部 GCP 项目中使用的都是同一张对公支付卡，所以谷歌已经全面关停了我们的账户及项目。
3 GCP 的漏洞
就在同一个周六，我开始查阅更多内容，特别是 GCP 说明文档中的各种条目。好吧，我们确实犯了错误，但谷歌在一笔实际支付都没完成的情况下就给我们计上了 72000 美元的账，这正常吗？！
GCP 与 Firebase
1. 自动将 Firebase 账户升级为付费账户
在注册 Firebase 时，我们从没想过这还带自动升级的，提示条款中也绝对没有提及。我们的 GCP 项目确实接受了结算条款，因为只有这样才能正常使用 Cloud Run；但 Firebase 不是，我们用的可是免费计划。GCP 突然就进行了升级，并向我们收取巨额费用。
事实证明，他们就是这么设计的，理由是“Firebase 与 GCP 深度集成。”
2. 所谓的计费“限额”根本不存在，预算管理至少延迟了一天
GCP Billing 实际至少了延迟了一天。谷歌在大多数说明文档中都建议用户使用 Budgets 与自动关闭云功能。但你猜怎么着？在中断功能被触发或者通知到云用户时，问题可能已经发生了。
结算过程大约需要一整天时间，所以我们第二天才收到计费提醒。
3. 别相信 Firebase 仪表板！
不只是 Billing 功能，就连 Firebase 仪表板也要超过 24 个小时才能正常更新。
根据 Firebase 控制台说明文档，Firebase 控制台的仪表板数字可能与 Billing 账单报告“略有不同”。
以我们的情况为例，二者的差异高达 86585365.85%，也就是 86 万倍。而且在向我们发出账单之后，Firebase 控制台的仪表板仍然显示当月出现了 42000 次读取 + 写入操作（低于每日上限）。
4 我们到底做了什么？
因为团队规模不大，我们希望尽可能使用无服务器架构。而 Cloud Functions 与 Cloud Run 等无服务器解决方案处理问题的基本思路，就是超时。
具体来讲，实例会持续将 URL 抓取到网页当中；但在 9 分钟后，该实例就会超时。
可能是失败激发了脑中的智慧，我在几分钟内就在白板上列出了一大堆设计问题。不知道为什么，在部署之前，我们能想到的就只有快速犯错、快速尝试。
Announce-AI 在 Cloud Run 上的“Hello World”版本
为了克服超时限制，我建议使用 POST 请求（将 URL 作为数据）将作业发送至某一实例，且并发使用多个实例以替代串行使用单一实例。这样 Cloud Run 中的每个实例只会抓取一个页面，所以永远不会超时。另外，由于 Cloud Run 的处理操作能够精确到毫秒，所以全部页面都将得到并发处理，整体性能得以高度优化。
部署在 Cloud Run 上的抓取器
如果仔细观察，就会发现流程中缺失了一些重要的部分：
-
不中断的指数递归：由于没有 break 语句，因此实例不知道该何时中断。
-
POST 请求可以具有相同的 URL。如果存在指向上一页的反射链接，则 Cloud Run 服务将陷入无限递归当中；而最糟糕的是，这个递归将呈指数增长（我们将最大实例数设置为 1000！）。
大家可以想象，这意味着多达 1000 个实例会不断查询，且每几毫秒就向 Firebase 数据库写入一次。查看数据发布事件，我们发现 Firebase 在某一时间点上的每分钟请求数量增长到了 10 亿个！
GCP Billing Account 的月末交易摘要
1160 亿次读取，3300 万次写入
总体来看，我们这套部署在 Cloud Run 的“Hello World”版本共执行了 1160 亿次读取与 3300 万次写入……我的妈呀！
Firebase 上的读取操作成本：
(0.06 美元 / 100,000) * 116,000,000,000 = 69,600 美元
1600 个 Cloud Run 计算时
经过测试，我们假设该请求因日志记录的停止而终止，但实际上它只是转入后台进程。由于我们没有删除服务（我们这是第一次用 Cloud Run，还不太了解具体细则），因此继续有多个服务缓慢运行。
在 24 个小时之内，这些服务版本各自扩展到了 1000 个实例，共消耗掉 16022 个计算时。
5 我们犯了什么错误？
在云上部署了存在缺陷的算法
根据之前的讨论，我们确实发现了一种通过 POST 请求使用无服务器资源的新方法。这确实是种独创性的方法，在互联网上并没有现成的参考，遗憾的是其中存在着我们当初没有意识到的大问题。
使用默认选项部署 Cloud Run
在创建 Cloud Run 服务时，我们在服务中选择使用默认值，即 max-instances 被设置为 1000，concurrency 设置为 80。一开始我们并不知道，这些预设值对我们的测试程序来说可以算是最不适用的组合。
如果我们把 max-instances 设定为 2，那我们的成本只会是现在的五百分之一，即由 72000 美元转变为 144 美元。
如果我们将 concurrency 设定为 1，那么基本不会产生任何费用。
在不完全了解的情况下使用 Firebase
有些经验必须从实践当中获取。Firebase 不像是能够直接学习的编程语言，它是谷歌提供的一项容器化平台服务，其中使用的是大量预定义规则，而且规则内容跟用户的直觉或者倾向没有任何关系。
另外，在 Node.js 中编写代码时，必须注意后台进程。如果代码进入后台进程，则开发者很难意识到该服务仍在运行、而且在很长一段时间内持续运行。后来我们发现，这正是我们大多数云功能同样出现超时的原因所在。
别在云上搞“快速失败、快速学习”
云平台像是一把双刃剑。如果使用得当，它确实威力巨大；但如果使用不当，后果也将极为严重。
翻翻 GCP 说明文档，大家就会发现它的页数比几本小说加起来还多。换言之，了解云定价及使用方式不仅非常耗时，而且要求相关人员充分了解云服务的工作原理。所以，别以为在传统头衔前面加个“云”是骗人的——这真是项技术活！
Firebase 与 Cloud Run 真的很强大
在峰值时期，Firebase 每分钟能够处理约 10 亿次读取，这真是太强大了。我们已经在 Firebase 上测试了 2 到 3 个月，目前仍在继续学习，但完全没有触及到它的极限。
Cloud Run 也是如此！当 Concurrency == 60, max_containers == 1000 且每条 Request 用时 400 毫秒时，Cloud Run 每分钟能够处理 900 万条请求！
60 * 1000 * 2.5 * 60 = 9,000,000 请求/分钟
相比之下，谷歌搜索每分钟也只能完成 380 万次搜索。
使用 Cloud Monitoring
虽然 Google Cloud Monitoring 不会停止计费，但它能及时发送警报（延迟仅为 3 到 4 分钟）。Google Cloud 的原型 / 命名结构有一定学习曲线，但在投入时间和精力之后，仪表板、警报与指标确实能让我们更为轻松。
这些指标将保留 90 天。遗憾的是，我们在此次事件中的指标已经过期了，否则我很乐意在本文中向大家展示。
6 接下来怎么办？
经历了这次事件，我们花了几个月时间学习云架构和我们自己的业务体系。几周之后，我们的知识提升到新的境界，于是开始使用经过改进的算法通过 Cloud Run 抓取“整个网络”。
而在事后的整体分析中，我们决定放弃 V1 版本架构，转而使用更具可扩展性的基础设施为产品提供支持。
在 Announce V2 中，我们不再构建 MVP；相反，我们打造出一套平台，借此快速迭代新产品，并在安全环境中进行全面测试。
这段经历确实拖慢了我们的脚步……V2 在 11 月底才正式亮相，比原计划的 V1 发布日晚了大约 7 个月。但 V2 可扩展性更强，能够更充分地动用云资源，同时也拥有更好的优化水平。
我们还得以将其推向所有平台，而不仅仅是 Web 平台。
更重要的是，我们利用同一套平台构建起第二款产品 Point Address。这两种产品不仅可扩展性极佳、拥有出色的架构与高效性，还建立在同一套平台之上。这使我们得以快速将业务灵感转化为现实，并立即将其引入实际产品当中。
网友在评论中也表示有过类似经历：
