一、背景：
昨天，我们在美国西部 2 的基于 AWS 的业务，由两个自动扩展组（以及更靠后的 RDS 等各种其他组件）组成，在 ALB 后面离线了六个小时。只有通过构建全新的 ALB（迁移规则和目标组）才能恢复服务。
当地时间凌晨 4 点 15 分 (GMT+10)，ALB 停止接收入站流量，并且不会响应 Web 流量。我们将它用于端口 80 和端口 443（带有 SSL 证书）终止。同时，所有目标组实例也被标记为“不健康”（尽管它们肯定是可操作的）并且没有流量转发给它们。DNS 正确解析到 ALB。它只是停止响应。网络路由器/交换机关闭或防火墙不存在的等效症状。
我们不在 ALB 后面的其他 EC2 服务器继续运行。
最初的想法是：
a) AWS 故意隔离？账单没有付款，在滥用报告中犯了一些罪行？不太可能，AWS 没有通知我们任何违规行为或采取行动的理由。
b) 我们在网络配置方面的错误？几天内没有对 NACL 或安全组进行任何更改。此外，当它发生时我们都睡着了，没有人在摆弄设置。当我们构建替代 ALB 时，我们使用相同的 NACL 和安全组没有问题。
c) 维护活动出错了？这似乎很有可能。但 AWS 似乎没有发现故障。我们没有选择它，因为我们认为 ALB 发生完全、莫名其妙且未被检测到的故障是“不太可能的”。我们需要自己进行一些外部健康检查。我们有一些基于 Nagios 的，因此可以启用警报。但是，如果 ALB 不稳定，这将无济于事——如果这种情况再次发生，继续构建新的 ALB 是不切实际的。
最大的担忧是这种情况突然发生并且出乎意料，而 AWS 没有检测到这一点。通常，我们从不担心 AWS 网络基础设施“它只是工作”。到现在。ALB 没有用户可维护的选项（例如重新启动/刷新）。
现在我的实际问题：
有没有其他人见过这样的东西？如果是这样，可以做些什么来更快地恢复服务或从一开始就阻止它？如果这发生在你身上，你做了什么？