GitHub 9 月 13 日故障复盘：共享数据库连接与重试放大

GitHub 在 9 月 13 日发生故障，影响了当日部分协作服务，目前已全部恢复。官方复盘指出，主要根因是后台数据清理作业消耗了共享数据库的全部可用连接，导致其他依赖同一数据库的服务无法正常建立连接。

故障影响还被两个因素进一步放大。一是数据库操作缺乏快速超时机制，请求在连接不可用时持续等待而不是快速失败；二是重试行为失去控制，在连接池已经饱和的情况下，客户端仍然不断发起新的重试请求，形成类似重试风暴的叠加效果。

从工程实现角度看，后台数据清理这类高负载任务需要避免独占共享资源，特别是数据库连接池。为后台作业设置限流和连接配额，能够降低单一任务拖垮整体服务的风险。此类作业通常在低峰期运行，但其资源占用上限仍应纳入统一治理。

同时，为数据库调用配置快速超时，可以让请求在连接无法及时获取时尽早返回错误，减少堆积等待。引入重试预算或最大重试次数，可以防止部分节点异常演变为全局性的重试风暴。主库连接数和负载的持续监控也值得纳入告警体系，以便在连接堆积初期就触发响应。

目前官方尚未披露故障持续的具体时长、受影响服务范围、后台作业类型以及是否存在数据一致性问题。相关团队可以基于已知的故障模式审查自身后台任务和数据库访问策略，但更具体的修复计划还有待 GitHub 后续说明。