重试风暴

写批量任务脚本时，你可能遇到过这种情况：服务器临时挂了，一堆客户端同时检测到失败，然后——按照同一个固定间隔——在完全相同的时刻发起重试。结果不是问题解决了，而是把服务器直接冲垮了。这种现象叫重试风暴（Thundering Herd），也叫惊群效应。问题的根源不在重试逻辑本身，而在重试时机太整齐。 固定间隔为什么会引发风暴 假设100台机器同时检测到API超时，约定每隔5秒重试一次。这100台机器从同一秒开始计时，下一次重试全部发生在T+5s、T+10s……每5秒就有10...

你有没有遇到过这种情况：一批脚本同时跑，突然某个接口抖动了一下，结果所有脚本同时失败，又同时在第30秒、60秒、120秒发起重试——流量撞在一起，雪球越滚越大。这就是典型的「惊群效应」，也叫重试风暴（Retry Storm）。 解决思路其实很简单：给每次重试间隔加一点随机性，让大家的等待时间错开。这就是本文要讲的 jitter（随机抖动）。 为什么指数退避还不够 先看一个典型的指数退避脚本： #!/bin/bashmax_retries=5delay=2attempt...