第一章：订单重复扣款频发？Golang支付服务器幂等设计的7种工业级实现，第4种90%团队都做错了
支付系统中因网络超时、客户端重试、消息重复投递导致的重复扣款，本质是缺乏可靠的幂等控制。Golang服务需在HTTP层、业务逻辑层与存储层协同构建防御体系。
基于唯一业务ID + 数据库唯一索引
在订单表中添加 pay_order_id 字段并建立唯一索引。插入前不查库，直接 INSERT INTO orders (...) VALUES (...) ON CONFLICT DO NOTHING（PostgreSQL）或 INSERT IGNORE（MySQL）。失败则查询该ID是否存在，存在即返回原结果。关键点：避免先SELECT再INSERT的竞态窗口。
基于Redis SETNX + 过期时间
key := "idempotent:" + req.OrderID
ok, err := rdb.SetNX(ctx, key, "processing", 10*time.Minute).Result()
if err != nil {
return errors.New("redis unavailable")
}
if !ok {
// 已存在，尝试获取处理结果（如存于JSON哈希中）
return getExistingResult(ctx, req.OrderID)
}
// 执行扣款逻辑...
saveResult(ctx, req.OrderID, result)注意：SETNX后必须设置合理TTL，防止死锁；且saveResult需原子写入，建议用HSET+EXPIRE或HSET配合HGET读取。
基于分布式锁（Redlock变体）
使用github.com/go-redsync/redsync/v4，但需确保锁粒度为order_id且持有时间≤业务最大耗时+2s，否则阻塞正常请求。
基于状态机+乐观锁（最常被误用）
错误做法：仅用UPDATE orders SET status='paid' WHERE id=? AND status='unpaid'——未校验金额、渠道、时间戳等关键维度，攻击者可篡改请求重放旧参数完成二次扣款。
正确做法：
UPDATE orders
SET status = 'paid', updated_at = NOW()
WHERE id = ?
AND status = 'unpaid'
AND amount = ? -- 必须校验金额一致性
AND pay_channel = ?
AND created_at > NOW() - INTERVAL '30 minutes';基于Token预发放机制
客户端首次请求 /v1/pay/prepare 获取一次性token，服务端生成UUID存入Redis（TTL=5min），响应{token: "abc123"}；后续支付请求携带该token，服务端校验存在性并DEL，再执行业务。
基于消息队列消费幂等（Kafka/NSQ）
消费者维护processed_offsets表（含topic_partition, offset, order_id联合唯一索引），每条消息处理前先UPSERT，成功才提交offset。
基于eTag + 条件请求头
客户端计算请求体SHA256作为If-None-Match，服务端比对已处理请求哈希缓存（Redis），命中则返回304 Not Modified及原始响应体。适用于纯幂等写场景。
第二章：幂等性本质与Golang支付场景建模
2.1 幂等性在分布式支付中的语义边界与CAP权衡
幂等性并非原子性或线性一致性的替代品，而是面向业务结果的可重放语义契约。其边界由操作类型决定：转账类操作需保证“最终账户净变化唯一”，而查询类操作天然幂等。
数据同步机制
在CP优先的账务核心中，采用基于版本号的乐观并发控制：
// 幂等写入：以 business_id + version 为唯一约束
INSERT INTO payment_record (id, business_id, amount, status, version)
VALUES (?, ?, ?, 'SUCCESS', 1)
ON CONFLICT (business_id)
DO UPDATE SET status = EXCLUDED.status, version = EXCLUDED.version
WHERE payment_record.version < EXCLUDED.version;逻辑分析：ON CONFLICT (business_id) 捕获重复提交；WHERE version < EXCLUDED.version 防止低版本覆盖高版本，确保状态演进单调。version 由客户端生成或服务端递增，是语义正确性的关键参数。
CAP权衡矩阵
| 场景 | 一致性模型 | 幂等性保障方式 | 可用性影响 |
|---|---|---|---|
| 账户余额更新 | 强一致 | 数据库唯一索引 + 版本号 | 降级容忍 |
| 订单支付通知 | 最终一致 | 消息去重 + 状态机校验 | 高 |
graph TD
A[客户端重试] --> B{是否携带幂等键？}
B -->|是| C[查幂等表/缓存]
B -->|否| D[拒绝请求]
C --> E{已存在成功记录？}
E -->|是| F[直接返回原结果]
E -->|否| G[执行业务逻辑并落库]2.2 基于状态机的订单生命周期建模与幂等触发点识别
订单状态机是保障业务一致性的核心抽象。我们采用显式状态迁移图建模，将 CREATED → PAYING → PAID → SHIPPED → COMPLETED 作为主干路径，并标注所有合法跃迁。
关键幂等触发点
- 支付回调（
PAY_CALLBACK） - 发货指令（
SHIP_COMMAND） - 结算确认（
SETTLE_CONFIRM）
状态迁移校验逻辑
public boolean canTransition(Order order, OrderStatus from, OrderStatus to) {
return ALLOWED_TRANSITIONS.getOrDefault(from, Set.of())
.contains(to) &&
order.getStatus() == from &&
order.getVersion() == expectedVersion; // 防ABA并发
}ALLOWED_TRANSITIONS 是预定义的不可变映射；version 字段用于乐观锁控制，避免重复触发导致状态错乱。
| 触发事件 | 幂等键组成 | 存储介质 |
|---|---|---|
| PAY_CALLBACK | pay_id + order_id |
Redis |
| SHIP_COMMAND | shipment_no + order_id |
DB唯一索引 |
graph TD
A[CREATED] -->|pay_success| B[PAID]
B -->|ship_dispatch| C[SHIPPED]
C -->|confirm_receipt| D[COMPLETED]
B -->|pay_refund| E[REFUNDED]2.3 Go语言原生并发模型对幂等校验路径的影响分析
Go 的 goroutine + channel 模型天然支持高并发幂等校验，但亦引入隐式竞态风险。
幂等键生成与并发冲突
func genIdempotencyKey(req *Request) string {
// 注意：time.Now() 在高并发下可能重复（纳秒级精度不足）
return fmt.Sprintf("%s:%d:%s", req.UserID, time.Now().UnixNano(), req.PayloadHash)
}UnixNano() 在短时高频调用中易碰撞；应改用原子递增序列或 UUIDv7。
校验路径的三种并发模式对比
| 模式 | 锁粒度 | 吞吐量 | 一致性保障 |
|---|---|---|---|
| 全局互斥锁 | 高 | 低 | 强 |
| 分片 map + RWMutex | 中 | 中 | 中 |
| 原子 CAS + Redis | 低 | 高 | 最终一致 |
校验流程关键路径
graph TD
A[接收请求] --> B{是否已存在 idempotency_key?}
B -->|是| C[返回缓存响应]
B -->|否| D[执行业务逻辑]
D --> E[写入结果+标记完成]
E --> F[返回新响应]goroutine 调度不可预测性要求幂等存储操作必须具备原子可见性，否则 select {} 或 runtime.Gosched() 可能导致校验漏判。
2.4 支付请求指纹生成：从HTTP Header到业务上下文的全链路摘要实践
支付指纹需融合多维低熵信号，避免单一维度被绕过。核心策略是分层聚合：网络层（X-Forwarded-For, User-Agent, TLS-Fingerprint）、应用层（trace-id, client-version）与业务层（merchant-id, pay-channel, amount-cents）。
指纹合成逻辑
def generate_payment_fingerprint(req: Request) -> str:
# 拼接关键字段并加盐哈希，防止逆向推导明文
raw = "|".join([
req.headers.get("x-forwarded-for", "0.0.0.0"),
req.headers.get("user-agent", "")[:64], # 截断防DoS
req.context.merchant_id,
str(req.payload.get("channel", "")),
str(int(req.payload.get("amount", 0) * 100)) # 统一为分单位
])
return hashlib.sha256((raw + "PAY_FINGERPRINT_SALT_2024").encode()).hexdigest()[:32]该函数确保同一笔支付在重试、重定向、CDN穿透等场景下生成一致指纹；截断与单位归一化提升稳定性，盐值防御彩虹表攻击。
关键字段熵值评估
| 字段来源 | 典型熵值（bit） | 可控性 | 备注 |
|---|---|---|---|
X-Forwarded-For |
12–20 | 低 | 易伪造，仅作辅助 |
merchant-id |
32+ | 高 | 强业务绑定，不可缺失 |
amount-cents |
18 | 中 | 需标准化，防浮点扰动 |
全链路摘要流程
graph TD
A[HTTP Request] --> B{Header Extraction}
B --> C[Context Enrichment<br>trace-id / geo / device-type]
C --> D[Payload Normalization<br>amount → cents, channel → enum]
D --> E[Fingerprint Hashing<br>SHA256 + Salt]
E --> F[Cache Key & Fraud Check]2.5 压测验证：使用go-wrk构建幂等边界失效场景的混沌测试用例
为暴露幂等性在高并发临界点的脆弱性，我们利用 go-wrk 构造阶梯式重放攻击，精准触达“重复请求但未完成幂等校验”的窗口期。
模拟非原子幂等校验漏洞
# 启动带延迟注入的压测：100并发，每秒递增5请求，持续30秒
go-wrk -t 100 -d 30s -r 5 -H "X-Request-ID: chaos-2024" http://api/order/v1/submit该命令模拟突发流量下服务端校验锁（如Redis SETNX）与业务写入之间的时间差，迫使部分请求绕过已存在订单的判断逻辑。
关键参数语义
| 参数 | 含义 | 风险指向 |
|---|---|---|
-t 100 |
并发连接数 | 触发分布式锁竞争 |
-r 5 |
每秒请求数增量 | 构建渐进式压力边界 |
-H "X-Request-ID" |
固定ID用于日志追踪 | 定位幂等Key碰撞点 |
数据同步机制
graph TD
A[客户端重复提交] --> B{幂等Key生成}
B --> C[Redis SETNX校验]
C -->|失败| D[返回已存在]
C -->|成功| E[落库+异步清理锁]
E --> F[网络分区导致锁残留]
F --> A第三章：数据库层幂等保障的Go工程实践
3.1 唯一索引+UPSERT模式在MySQL中的事务一致性陷阱与gdb封装优化
数据同步机制
当业务依赖 INSERT ... ON DUPLICATE KEY UPDATE（UPSERT）保障幂等写入时，若唯一索引覆盖不全（如仅含 (tenant_id, biz_id) 而忽略逻辑时间戳），并发事务可能因间隙锁竞争导致 非预期的更新覆盖 或死锁。
一致性陷阱示例
-- 假设唯一索引：UNIQUE KEY `uk_tenant_biz` (`tenant_id`, `biz_id`)
INSERT INTO orders (tenant_id, biz_id, status, updated_at)
VALUES (1001, 'ORD-789', 'pending', NOW())
ON DUPLICATE KEY UPDATE
status = VALUES(status),
updated_at = GREATEST(updated_at, VALUES(updated_at)); -- ❗竞态：GREATEST非原子！
GREATEST(updated_at, VALUES(updated_at))在多事务并发下可能读取到旧值再比较，导致“后提交者时间戳被丢弃”。MySQL 的ON DUPLICATE KEY UPDATE子句中VALUES()引用的是当前语句值，但updated_at列读取发生在锁获取后、更新前，存在时间窗口。
gdb辅助诊断流程
graph TD
A[触发异常订单状态漂移] --> B[attach到mysqld进程]
B --> C[bp sql/sql_insert.cc:handle_duplicate_key_error]
C --> D[watch $thd->query_string + stack trace]
D --> E[定位索引匹配路径与锁类型]| 问题根源 | 观测手段 | 修复方向 |
|---|---|---|
| 非原子时间比较 | gdb watch on updated_at |
改用 VALUES(updated_at) 直接赋值 |
| 间隙锁范围过大 | SELECT * FROM performance_schema.data_locks |
添加覆盖索引或拆分业务域 |
3.2 PostgreSQL Advisory Lock在高并发扣款场景下的Go协程安全封装
PostgreSQL 的 advisory lock 是轻量级、应用层可控的互斥机制，不依赖表结构，适合扣款等需强一致性但无主键冲突的业务逻辑。
为何不用行锁？
- 行锁需明确
WHERE id = ?，而用户余额可能分散在多笔待处理订单中； - 行锁易引发死锁，且事务生命周期长时阻塞严重；
- advisory lock 可基于业务语义（如
user_id）构造唯一锁键，粒度灵活。
Go 协程安全封装要点
- 使用
pgx.Conn持有连接，避免跨 goroutine 复用； - 封装
pg_advisory_xact_lock(int8)，确保事务内自动释放； - 锁键统一哈希为
int64：int64(user_id) << 32 | int64(order_type)。
func AcquireAdvisoryLock(ctx context.Context, conn *pgx.Conn, userID, orderType int64) error {
lockKey := (userID << 32) | orderType
_, err := conn.Exec(ctx, "SELECT pg_advisory_xact_lock($1)", lockKey)
return err // 自动绑定当前事务，无需手动释放
}逻辑说明：
pg_advisory_xact_lock是事务级锁，连接关闭或事务提交/回滚时自动释放；lockKey避免 int32 溢出，支持亿级用户+多业务类型组合。
| 锁类型 | 适用场景 | 是否需显式释放 | 跨会话可见 |
|---|---|---|---|
pg_advisory_lock |
长周期独占操作 | 是 | 是 |
pg_advisory_xact_lock |
扣款等短事务场景 | 否（自动） | 是 |
graph TD
A[Go Goroutine] --> B[调用 AcquireAdvisoryLock]
B --> C[执行 pg_advisory_xact_lock]
C --> D{锁可用？}
D -->|是| E[执行扣款 SQL]
D -->|否| F[阻塞等待事务释放]
E --> G[COMMIT 自动解锁]3.3 基于TiDB乐观锁机制的无阻塞幂等更新：atomic.CompareAndSwapInt64替代方案实测
TiDB 的乐观事务模型天然支持无锁幂等写入，但直接依赖 atomic.CompareAndSwapInt64 在分布式场景下存在状态漂移风险——它仅保障单机原子性，无法感知跨节点事务提交结果。
数据同步机制
TiDB 通过 _tidb_rowid + SELECT FOR UPDATE（显式悲观）或 UPDATE ... WHERE version = ? AND version = LAST_INSERT_ID(version + 1)（乐观版本戳）实现跨节点一致性。
// 原子更新订单状态（TiDB 乐观版）
_, err := db.ExecContext(ctx,
"UPDATE orders SET status = ?, version = version + 1 WHERE id = ? AND version = ?",
StatusShipped, orderID, expectedVersion)✅ 参数说明：expectedVersion 是读取时获取的当前版本；version = version + 1 确保CAS语义；失败时需重试并重读最新version。
性能对比（TPS，16并发）
| 方案 | 平均延迟(ms) | 冲突重试率 | 是否跨节点安全 |
|---|---|---|---|
| atomic.CAS | 0.8 | 12.7% | ❌ |
| TiDB version-check | 3.2 | 0.3% | ✅ |
graph TD
A[读取order.version] --> B{CAS本地version?}
B -- 是 --> C[执行UPDATE带version校验]
B -- 否 --> D[重读+重试]
C --> E[TiDB引擎校验WHERE条件]
E --> F[成功/失败返回]第四章：分布式中间件协同的幂等架构
4.1 Redis Lua原子脚本实现「请求ID-状态」双写校验：规避SETNX+GET竞态漏洞
竞态根源剖析
传统 SETNX + GET 组合在高并发下存在时间窗口：线程A设锁成功，B在A写状态前读取旧值并误判为未处理，导致重复执行。
Lua原子校验方案
以下脚本在单次Redis请求中完成「ID存在性检查 + 状态写入 + 原子返回结果」：
-- KEYS[1]: lock_key, ARGV[1]: request_id, ARGV[2]: status_value
if redis.call("GET", KEYS[1]) == false then
-- 锁未被占用：直接写入请求ID与状态（双字段）
redis.call("MSET", KEYS[1], ARGV[1], KEYS[1]..":status", ARGV[2])
return 1 -- 成功获取并初始化
else
-- 锁已存在：仅当ID匹配才更新状态（防跨请求覆盖）
local current_id = redis.call("GET", KEYS[1])
if current_id == ARGV[1] then
redis.call("SET", KEYS[1]..":status", ARGV[2])
return 2 -- ID匹配，状态刷新
else
return 0 -- ID冲突，拒绝写入
end
end逻辑分析：
KEYS[1]为业务唯一锁键（如"order:123:lock"）；ARGV[1]是客户端生成的全局唯一请求ID（如UUID），用于身份绑定；ARGV[2]是待持久化的业务状态（如"processing"）；- 返回值
1/2/0分别标识「首次抢占」「续写状态」「拒绝写入」，驱动上游幂等决策。
校验状态一致性（关键增强）
| 检查维度 | 传统 SETNX+GET | Lua双写校验 |
|---|---|---|
| ID绑定 | ❌ 无 | ✅ 强绑定 |
| 状态原子更新 | ❌ 分离操作 | ✅ 单命令内 |
| 跨请求覆盖防护 | ❌ 易发生 | ✅ ID比对拦截 |
graph TD
A[客户端发起请求] --> B{执行Lua脚本}
B --> C[GET锁键]
C -->|nil| D[MSET request_id + status]
C -->|exist| E[GET当前request_id]
E -->|匹配| F[SET status]
E -->|不匹配| G[return 0]4.2 Kafka幂等生产者与消费端去重的Go SDK深度配置（enable.idempotence vs. idempotent consumer）
Kafka 的幂等性保障分属生产与消费两端，语义与实现机制截然不同。
幂等生产者：enable.idempotence=true
config := &kafka.ConfigMap{
"bootstrap.servers": "localhost:9092",
"enable.idempotence": true, // 启用幂等生产者（必需：acks=all, max.in.flight.requests.per.connection=1）
"acks": "all",
"retries": 2147483647,
}该配置强制启用 Producer 端序列号（PID + epoch + sequence number）校验，确保单个 Producer 实例内 Exactly-Once Per Partition。注意：不跨会话、不跨Producer实例。
消费端去重：需应用层协同
| 机制 | 是否内置 | 依赖条件 | Go SDK支持方式 |
|---|---|---|---|
| 幂等生产者 | ✅ 是 | Broker ≥ 0.11，客户端配置生效 | enable.idempotence |
| Idempotent Consumer | ❌ 否 | 需事务+EOS语义+Consumer Group协调 | ReadCommitted + 手动offset/ID去重 |
EOS 数据同步机制
graph TD
A[Producer] -->|Idempotent + Transaction| B[Kafka Broker]
B --> C[Consumer Group]
C --> D{ReadCommitted}
D --> E[应用层幂等检查<br>如DB UPSERT or Redis SETNX]Go 中必须组合使用 isolation.level=read_committed 与业务侧唯一键判重，方能达成端到端精确一次。
4.3 基于ETCD Lease + Revision的分布式令牌桶幂等网关：gin中间件实战
核心设计思想
利用 ETCD 的 Lease 自动续期能力保障租约活性，结合 kv.Get 返回的 Revision 实现强一致的令牌桶状态同步，规避时钟漂移与网络分区导致的重复扣减。
关键数据结构
| 字段 | 类型 | 说明 |
|---|---|---|
/rate/uid:123 |
string | 存储当前剩余令牌数（JSON） |
leaseID |
int64 | 绑定 30s TTL 的租约，自动续期 |
prevRev |
int64 | 上次操作 revision，用于 CAS 比较 |
幂等校验流程
// CAS 更新令牌桶（伪代码）
resp, err := cli.Txn(ctx).If(
clientv3.Compare(clientv3.ModRevision("/rate/uid:123"), "=", prevRev),
).Then(
clientv3.OpPut("/rate/uid:123", string(newBucket), clientv3.WithLease(leaseID)),
).Commit()ModRevision确保仅当桶未被其他节点修改时才更新；WithLease将键绑定至租约，租约过期则自动清理桶状态；prevRev来自上一次成功响应，构成线性一致性链。
graph TD
A[客户端请求] --> B{检查X-Idempotency-Key}
B -->|存在| C[ETCD CAS 读-改-写]
B -->|缺失| D[拒绝并返回400]
C --> E[成功则放行，失败则重试或限流]4.4 Service Mesh层（Istio Envoy Filter）前置幂等拦截：WASM模块在Go控制平面的编译与注入
幂等性拦截的架构定位
在请求进入业务服务前，Envoy需在HTTP过滤链首层完成Idempotency-Key校验与去重。WASM提供安全、热更新的轻量执行环境，避免修改Envoy核心逻辑。
WASM模块编译流程
使用tinygo交叉编译Go代码为WASI兼容wasm文件：
tinygo build -o idempotent_filter.wasm -target=wasi ./main.go
tinygo替代标准Go编译器，规避GC与反射依赖；-target=wasi确保符合Envoy 1.24+的WASM运行时规范；输出二进制需经wabt工具验证结构合法性。
控制平面注入机制
Istio EnvoyFilter资源通过Go控制平面动态注入：
| 字段 | 值 | 说明 |
|---|---|---|
phase |
AUTHORITY |
确保早于路由匹配执行 |
priority |
10 |
高于默认HTTP filters |
vmConfig.code.local.filename |
idempotent_filter.wasm |
挂载至Envoy容器/var/lib/istio/envoy/ |
graph TD
A[Ingress Gateway] --> B[Envoy HTTP Connection Manager]
B --> C[WASM Filter: idempotent_check]
C --> D{Key exists in Redis?}
D -->|Yes| E[Return 409 Conflict]
D -->|No| F[Set key + TTL → Continue]第五章：总结与展望
核心技术栈的生产验证
在某大型电商平台的订单履约系统重构中，我们基于本系列实践方案落地了异步消息驱动架构：Kafka 3.6集群承载日均42亿条事件，Flink 1.18实时计算作业端到端延迟稳定在87ms以内（P99）。关键指标对比显示，传统同步调用模式下订单状态更新平均耗时2.4s，新架构下压缩至310ms，数据库写入压力下降63%。以下为压测期间核心组件资源占用率统计：
| 组件 | CPU峰值利用率 | 内存使用率 | 消息积压量（万条） |
|---|---|---|---|
| Kafka Broker | 68% | 52% | |
| Flink TaskManager | 41% | 67% | 0 |
| PostgreSQL | 33% | 44% | — |
故障自愈机制的实际效果
通过部署基于eBPF的网络异常检测探针（bcc-tools + Prometheus Alertmanager联动），系统在最近三次区域性网络抖动中自动触发熔断：当服务间RTT连续5秒超过阈值（>150ms），Envoy代理动态将流量切换至备用AZ，平均恢复时间从人工干预的11分钟缩短至23秒。相关策略已固化为GitOps流水线中的Helm Chart参数：
# resilience-values.yaml
resilience:
circuitBreaker:
baseDelay: "250ms"
maxRetries: 3
failureThreshold: 0.6
failover:
enabled: true
backupRegion: "us-west-2"边缘计算场景的规模化落地
在智能物流分拣中心部署的500+边缘节点上，采用K3s轻量集群运行TensorFlow Lite模型进行包裹条码识别。通过Argo CD实现配置同步，模型版本升级耗时从平均47分钟降至92秒。实际运行数据显示：单节点推理吞吐量达128 QPS，误识率由传统OCR方案的3.7%降至0.8%，分拣线停机时间减少每周19.2小时。
技术债治理的量化进展
针对遗留系统中37个硬编码IP地址，我们构建了自动化扫描工具（基于AST解析Python/Java源码），结合Consul服务发现注入机制，在6周内完成100%替换。改造后服务启动失败率从12.3%归零，配置变更发布成功率提升至99.997%。
下一代可观测性演进路径
当前正推进OpenTelemetry Collector与eBPF追踪的深度集成，在Kubernetes DaemonSet中部署bpftrace脚本捕获socket层连接超时事件，已实现TCP重传次数、SYN超时等指标的毫秒级采集。初步测试表明，该方案比传统Netflow采集降低83%的网络开销，且能精准定位到具体Pod的连接异常。
多云环境下的策略一致性保障
在混合云架构中，通过OPA Gatekeeper策略引擎统一管控AWS EKS与阿里云ACK集群的资源配置。例如强制要求所有StatefulSet必须声明volumeClaimTemplates，并校验StorageClass名称是否符合命名规范（^prod-[a-z]+-ssd$）。策略实施后，跨云环境的存储配置错误率从18%降至0.2%。
开发者体验的关键改进
内部CLI工具devops-cli新增debug-flow子命令，可一键生成分布式追踪火焰图：自动关联Jaeger Trace ID、提取对应Pod日志、抓取CPU Profile，最终生成Mermaid序列图展示服务调用链路瓶颈点。某次支付超时问题排查中，该工具将根因定位时间从4.5小时压缩至17分钟。
sequenceDiagram
participant C as Client
participant A as API Gateway
participant S as Payment Service
participant D as Database
C->>A: POST /pay (trace-id: abc123)
A->>S: gRPC call (span-id: def456)
S->>D: SELECT FOR UPDATE (span-id: ghi789)
D-->>S: Lock timeout (duration: 8.2s)
S-->>A: 500 Internal Error
A-->>C: 500 with trace-id