OpenAI исправила 18-летний баг в инфраструктуре: помог анализ core dump

Инженеры OpenAI применили крупномасштабный анализ core dump (дампов памяти) для отладки редких и трудно воспроизводимых сбоев в инфраструктуре. В ходе расследования они обнаружили, что проблема была вызвана сочетанием двух факторов: неисправностью оборудования и давней ошибкой в программном обеспечении, которой исполнилось 18 лет.

Исправление этого бага — не просто технический курьёз, а пример того, как системный подход к анализу отказов позволяет находить коренные причины даже в сложных распределённых системах. OpenAI поделилась деталями методологии, которая может быть полезна другим командам, сталкивающимся с похожими «плавающими» проблемами в продакшене.