Cloudflare Workers 回滚架构:版本留存与数据兼容

用版本数量计算 Cloudflare Workers 的回退窗口,比较原生回退、制品重投与前向修复,给出上线门禁和恢复演练。

回滚窗口不是一个日期

假设一个订单查询服务把入口放在 Cloudflare Workers,订单明细存在 D1,附件存在 R2,列表加速依赖 KV。周一上午把新版本切到百分之百,周五才发现一类历史订单在重新打开时会被错误地标为待支付。值班人员知道周一之前哪个版本没有这个问题,也有那次部署的记录。但找到记录、重新把流量送给那个版本、让它正确解释线上数据,是三个不同的问题。前一个成功不代表后一个成功。特别是新版本已经写入旧程序不认识的状态时,立即切回旧代码可能把可控的显示缺陷扩大成写入错误。

Cloudflare 在十一月更新的 Workers 版本与部署文档 把版本和部署区分开:代码、静态资产、绑定以及兼容性设置构成版本,部署决定这些版本怎样承接流量。版本保留规则看最近一百个版本,同时保护仍在部署中的版本;不再保留的版本,其版本链接和别名链接会失效,历史部署记录并不因此消失。代码上传、设置和密钥的修改都可能占据版本位置,所以过去七天有几次生产发布并不是可靠的容量指标。仍在承接流量的旧版本有保留例外,但不能据此承诺它在退出部署以后还能作为任意时点的回退目标。本文只讨论 Workers,不把这个规则外推给 Pages、构建日志或者外部对象存储。

官方回滚说明 描述的是新建一次部署,把所有流量交给选中的旧版本。它不是回放服务器快照,也不会逆转 D1、KV、R2 或 Durable Objects 已经发生的状态变化。某些绑定资源不再存在,或者跨越 Durable Object 类生命周期变更时,平台还可能不允许执行回滚。反过来,即使平台允许切回,应用仍可能因约束、数据格式或外部接口变化不能继续工作。直接把平台命令成功当作恢复完成,会漏掉这些只在真实读写里出现的问题。

先把版本数量换算成留存预算

对运行在独立服务上的一个生产 Worker,可以先定义两个指标:上一个经过确认的候选已经有多少个更新版本,以及必须保证多少个额外版本出现后它仍可寻址。区分服务与环境很重要。测试 Worker 上的版本不应拿来给生产 Worker 算账,但若多个流水线都向同一个生产 Worker 上传,即使都没有切流量,也得用这个 Worker 上的实际版本序列核对。更新排序以平台记录为准,不自行按 Git 提交时间猜测。同一提交参数不同、重复上传或回退后重新上传,都可能形成新的项。

如果一个候选之后已有六十四个版本,它当前排在第六十五位。在不依赖部署保留例外的情况下,还能容纳三十五个更新版本;接下来的第三十六个会使它掉到第一百零一位。若团队需要七天回退窗口,而高峰每天有十二个更新,即使从第一位起算也要预留八十四个位置;在促销周达到每天十八个时,七天对应一百二十六个位置,单靠平台留存做不到。用过去平均每日三次生产切流量估算,反而会给出三十多天的错觉。

工程上不妨把预计版本数拆成平常总量、集中发布带来的突发量以及故障期间修补的预留量。窗口内六十次正常上传、二十次重试或密钥变更,再预留十次救火,一共九十次,已经不能让排名第十一以后的候选满足承诺。如果预留都已经用光,告警不是要求值班人员冻结所有变更:可以暂停不必要的试验上传、使用隔离环境验证,或明确从平台原生回退切到重新投放的路径。密钥吊销等必要处置不能为了守住排名而延迟。指标的价值是明确告诉团队丢了哪条退路,而不是给变更设一个永远不能越过的机械数字。

三条路径怎样选

直接切回平台版本

旧版本仍可回滚、绑定存活、兼容矩阵通过且近期完成演练时,这条路径的响应步骤最少。适用的例子是首页模板渲染崩溃、新查询走了明显慢的分支、某个保留原数据格式的改动引入了超时。若故障从百分之五灰度开始,选定目标前要知道谁实际写过共享数据,不能只看百分之九十五那一侧的健康指标。少量灰度请求也足以制造一个让老代码在稍后读到的坏状态。

这条路径的优点是无需让编译环境在事故中重新生成产物,缺点是把可用性押在平台窗口以及当前依赖上。它还不能保证瞬时收敛:旧标签页可能已经拿到新 HTML,回退后再请求其中引用的脚本。应按资源内容哈希保留兼容资产,或者验证旧版本能满足新页面仍可能请求的资源。不应全站清缓存当作唯一动作;缓存失效和资源不存在是两件事,清缓存本身还可能放大下游压力。

重新投放可重现的候选

需要超过平台窗口时,保留经过验收的构建产物、可重新生成产物的依赖锁与构建输入、资产清单和校验值。不要把预览链接当成长期制品。版本链接一旦失效,一个还可访问的历史页面截图也不能替代可部署内容。制品存放位置要有独立的生命周期和访问控制,且不应保存明文密钥;记录的是密钥引用、资源标识与配置摘要,当前有效值仍从授权的密钥管理系统取得。

重投产生的是一个新的平台版本,并非找回删除的版本标识。发布前要核对旧程序在现有运行时、绑定资源和秘密配置上的实际行为;某些老版本用的第三方套餐、协议或证书已变化,即使制品字节不变也可能跑不起来。与直接切回相比,重投多了制品校验、重新上传和试流量,恢复目标应从实测演练得出。可保留最近十个通过门禁的制品,加上近三个月按周留一个候选;具体策略取决于构建可重现程度、发布频率及存储规模,而不是本文给出的示例数字。还应定期从空工作环境恢复一个制品,排除只能由已经离职的同事在本地构建成功的情况。

前向修复或隔离变更

新版本已写入旧版本无法解释的数据时,旧代码即使可以投放也不该直接接流量。优先考虑关闭造成错误的新写入、保持读接口可用、在新格式基础上发布最小补丁。如果损坏已进入业务数据,需要独立的修复或恢复计划:确定范围、保持恢复时间点与审计,验证修复脚本可重复执行且不误伤事故后正常创建的订单。整库还原到周一虽然可能清除坏记录,也可能丢掉本周的正常订单;这是数据恢复的损失边界,不能作为代码切换的附属动作。

一个可行顺序是先停止问题写路径,确保旧客户端读旧字段和新客户端读兼容映射都不会误扣款,再验证错误状态的数量、能否从事件日志或其他权威来源重建、哪些业务需要人工核对,最后逐步解除限流。写入约束一旦已经发生破坏性变化,应保留前向修复通道。若业务连只读也不能提供可信结果,就明确返回维护状态,而不是把程序已经启动误报成可以继续处理订单。

把回退资格做成本地门禁

恢复目录可在每次放量前更新,至少包含候选版本标识、制品校验值、发布时的资源身份、兼容数据格式与验证时间。事故发生后,读取平台实际版本位置,核对当前资源和写入格式,再与候选验收证据一起交给当班人员判断。下面是一个纯 JavaScript 的策略模型,不调用 Cloudflare,也不向任何环境发请求。这里的格式名是假设的业务协议,不是 Cloudflare 字段;集合必须代表当前可能出现的全部有效格式而非抽样得到的一条记录。

function rollbackPlan({
  newer, reserve, platformEligible, bindingsOK, dataOK, assetsOK, artifactOK
}) {
  if (![newer, reserve].every(n => Number.isSafeInteger(n) && n >= 0))
    throw new RangeError("invalid version count");
  const headroom = 99 - newer;
  const protectedWindow = headroom >= reserve;
  if (bindingsOK !== true || dataOK !== true || assetsOK !== true)
    return { route: "forward-or-isolate", headroom, protectedWindow };
  if (headroom >= 0 && platformEligible === true)
    return { route: "native-candidate", headroom, protectedWindow };
  return {
    route: artifactOK === true ? "redeploy-candidate" : "forward-or-isolate",
    headroom, protectedWindow
  };
}

这里有两个容易忽略的地方。第一,留存不足并不代表此刻就不能切回。候选还在窗口内、平台允许、证据也齐备时,可以立即采用原生路径;但预留不足意味着不能承诺稍后仍有这条路径,需要停止非必要上传或提前验证重投。第二,不知道数据是否兼容与已经证明兼容不同。模型对正向证据使用严格的布尔判断,未提供、没跑完或过期的验证不能当作通过。命令是否获准执行仍由平台、值班授权与人工复核决定,函数输出只是候选建议,而不是执行指令。窗口边缘一旦遇到并行上传,应在正式切流量前重读版本信息;现场返回不能回退时,转到预先演练的备用路径,不要反复用一个已消失的标识请求平台。

在上述订单场景,兼容验证不能只做一次成功请求。拿已存在订单、刚经新版本处理的订单、并发重试的订单各覆盖一批样本,比较读出的状态、写出的事件以及幂等键是否一致。订单记录使用扩展字段时,老版本读到陌生值要拒绝更新或正确忽略扩展,不可默默以默认值覆盖。如果测试只能证明“旧版能读”,就先限制旧版写入口,直到证明写不会让新老版本混用数据时破坏业务约束。附件也不能只检查桶名字是否相同:新代码如果改了对象键布局,老代码可能访问同一个桶却找不到文件。应让资源身份检查与应用行为检查独立,否则健康探针只会证明网络和权限尚在。

本地纯 JavaScript 模型执行了八项断言,覆盖余量计算、窗口边界、制品重投以及绑定或数据证据不足;它没有验证 Cloudflare 服务端资格,也没有模拟真实的数据和资产行为。

把演练分成四次故障

第一次模拟代码故障,不更改业务数据,确认平台目标、切换后响应中的版本标识,以及旧标签页对内容哈希资源的请求。观察多个执行位置及客户端,比单次请求更能说明回滚是否收敛。第二次模拟候选被淘汰,用保留制品申请新的版本并验证其内容摘要,不能把仍在窗口内的原生回退当作重投演练。第三次模拟共享格式不可逆变更,预期门禁拒绝旧代码,确认隔离写入口后读路由仍返回正确状态。第四次模拟绑定丢失或版本在检查后被并发上传挤出窗口,要求人员按运行手册切换到替代路径,同时保留原失败信息。没有这一轮,团队往往会在事故中才发现恢复目录的资源标识已经过时。

每次演练记录从发现问题到确认恢复的时间,而不只记录执行命令耗时。建议分别记录兼容证据收集、候选验证、流量切换和业务核对的时间。若最后一步尚未完成,状态应当停在“流量已切,业务待确认”。对于订单服务,成功标准至少包括新旧订单显示一致、写入不重复、历史附件可读、不会因读缓存再现旧错误。可以在测试环境注入上一个版本资产缺失、一个历史订单使用新格式以及短暂的灰度回切三类情况,验证报警能否区分它们。线上演练需要单独的维护窗口和审批;本文未在真实 Workers、数据库或浏览器执行这些步骤。

这套设计与构建日志留存解决的不是同一个问题。此前的站内文章关注如何留下发布证据;这里关注候选是否还可投放,以及投放后能否理解已经变化的数据。两者可共用版本标识和制品摘要,职责仍需分开:有证据不一定有制品,有制品不一定有兼容状态。真正可履行的回退承诺应同时写明版本或制品从哪里来、依赖和数据如何兼容、访问失败时改走哪条路径,以及何时可以确认业务已经恢复。

相关文章

评论

登录后即可参与讨论

暂无评论。