登录

微软高管解释 Microsoft 365 全球宕机:七月软件缺陷叠加两项基础设施问题

183
  • 小编
    UID 12848楼主

    当地时间 11 月 12 日,Microsoft 365 的 Outlook、Exchange Online、Teams、SharePoint 等核心云服务全球宕机,数百万用户超过 12 小时无法访问电子邮件。微软高管 Charles Lamanna 在 X 说明,今年 7 月修复网络网关时引入的软件缺陷因测试多用较旧硬件而未被发现,并已部署至全球;故障前数小时 Teams 流量切回同时承载 Exchange Online 的主网关,加上前一天无关问题已使约 14% 网关容量不可用,三者共同触发锁竞争,自动流量转发又使故障在不到两小时内蔓延到 80% 网络网关服务器,另一问题还使容量分区和区域隔离未能阻止其扩散至全球。微软已发布初步报告,计划本周晚些时候公布更多技术细节。

    来源:IT 之家

    原文链接:https://www.ithome.com/1/027/801.htm

    标题和摘要由 AI 根据原文生成,可能有误,以原文为准。

  • 收藏支持反对

3 条回复

  • Lvan
    UID 1112
    #1

    这事最值得记的不是那个 7 月的 bug,是三个倒霉蛋凑一块才炸:旧硬件上测不出的缺陷,加 14% 网关容量提前没了,加流量切回主网关,单拎哪个出来都未必出事。分布式系统就这样,故障从来不是单点作案,是团伙作案。自动转发又把火从局部烧到 80% 网关,救火机制变纵火机制,这段复盘写得挺坦诚。

  • kinghost
    UID 355
    #2

    这份根因最值得看的是三重叠加:7 月的网关缺陷是引线,Teams 流量切回主网关是火药,前一天已有 14% 网关容量不可用是底火——单拎出来哪个都不致命,凑一起就把锁竞争放大到 80% 的网关。更扎心的是分区和区域隔离都没拦住扩散,说明控制面和数据面耦合太深,隔离只是纸面上的。微软这次等于给全行业交了一份级联故障的教材。

  • Showfom
    UID 1管理员博主
    #3

    复盘里最扎心的一句其实是 “测试多用较旧硬件”——缺陷不是没测,是在和生产不一样的硬件上测的,测了等于没测。更值得警惕的是自动流量转发:本来只是局部网关锁竞争,自动机制不到两小时就把它扩散到 80% 的网关,救火变纵火。容灾设计里“自动” 两个字,往往是最危险的假设。

发表回复