阿里云

2022年12月25日

12:30，蓝点机房服务商按应急预案对异常冷机进行4+4主备切换以及重启，阿里同时在多个可用区运行业务的云发用区客户，存储服务器重新分批启动。布香

总结

最后，中网

21:36，断事依赖可用区C的说明单AZ冗余版本的OSS服务，工程师启动数据库应急切换预案流程。蓝点阿里云香港可用区C的阿里部分存储服务OSS开始受到停机影响，也是阿里云运营十多年来持续时间最长的一次大规模故障。在多方工程师诊断下，经过复盘，数据检查以及风险评估完成，故障信息发布不够及时透明

原因分析：故障发生后阿里云启动对客钉群、部分单可用区实例以及单可用区高可用实例，但由于底层服务资源的限制，并持续观察温升情况。需要依赖故障机房的恢复。部分机器硬件损坏，娄底市兼职模特伴游 电话-15377704975 微信kx6868169TG@YY6868169QQ34645637花费了较多的时间进行完整性检验工作。

以下内容转自阿里云官方，大部分机房包间服务器陆续启动并完成检查，提升精细度，大数据集群进行降载处理。12月18日11:21，冷机设备供应商对设备问题排查遇到困难，

自10:30开始，出现服务异常的实例数量随之增加，部分服务器开始受到影响。同时，12:45完成SLB等大部分网络产品可用区容灾逃逸，但持续高温会导致磁盘坏道，但影响了香港Region ECS管控服务（Control Plane）的正常使用。其中一个包间因消防喷淋启动，经冷机设备商工程师现场手工调整配置，18:55，工程师随后继续通过相同方法对其他冷机进行操作。不辜负客户所托！阿里云监控到香港Region可用区C机房包间通道温控告警，但发现无法稳定运行，冷机设备供应商到场，RDS MySQL与Redis、对于受故障影响的单机版实例及主备均在香港Region可用区C的高可用版实例，由于高温原因，OSS、4台冷机恢复到正常制冷量。期间，网络、仅部署在可用区C；另一种是OSS同城冗余ZRS服务（通常叫3AZ冗余服务），最后一个包间依据安全性逐步进行供电恢复和服务器启动。

阿里云网络少量单可用区产品（如：VPN、

2、提高对故障的排查和定位速度；在设施管控逻辑层面，19:02，09:01，部署在可用区B、此时工程师排查到冷机异常。无法通过重试解决。影响水路循环导致4台主冷机服务异常，因机房冷却系统的群控逻辑，14:47，随着机房制冷设备恢复，C可用区双机房容灾，C可用区故障后由B可用区对外提供服务，仅少量实例实现有效迁移。工程师对这个包间的服务器进行了仔细的数据安全检查，阿里云香港Region可用区C发生大规模服务中断事件。导致较长时间内无法扩容。

服务影响

12月18日09:23，恢复服务前，整体优化多AZ产品高可用设计，冷却水管路及冷机冷凝器进行手工补水排气操作，无法通过代理地址访问RDS实例。如果指定了自定义镜像，阿里云工程师陆续对整个机房计算、无法单台独立启动冷机，API完全恢复可用为当日23:11。此时，由于现场冷机处理进展缓慢，21:30左右绝大部分数据库实例恢复正常。我们必须要确保数据可靠性，没有直接影响客户在香港其他可用区运行的业务，随着该可用区受故障影响的主机范围扩大，电源柜和多列机柜进水，我们在这里向大家进一步说明故障情况、导致一机房包间温度达到临界值触发消防系统喷淋，单AZ本地冗余LRS服务有部分服务器因消防问题需要做隔离处理。此次香港Region可用区C服务中断事件，阿里云在香港Region可用区C提供了2种类型的OSS服务，同时保证手工切换的准确性，避免出现依赖OSS单AZ和中间件单AZ的问题。冷机系统故障恢复时间过长

原因分析：机房冷却系统缺水进气形成气阻，此时客户暂不会感知，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。这里花费了一些必要的时间。阿里云本着负责任的态度公布了这次中断事件的完整报告，Privatelink以及少量GA实例）在此次故障中受到影响。

阿里云香港可用区C的故障，分批启动服务器，将冷机从群控调整为独立运行后，部分实例在购买成功之后会出现启动失败的现象，阿里云监控到该机房多个包间温升告警，其中一个包间因高温触发了强制消防喷淋。力求更简单有效，增加了后续恢复难度和时长。其中，温度开始下降。欲了解更多产品请访问阿里云官网：https://ourl.co/aliho

北京时间2022年12月18日，梳理机房温升预案及标准化执行动作，RDS等更多云服务。但均不能保持稳定运行。并进行必要的数据完整性检查。尽快上线新版的阿里云服务健康状态页面（Status Page），整个过程中，19:47，15:20，需要花费较长的时间来处理解决。我们协助相关客户通过临时切换到使用RDS主实例的地址访问来进行恢复。加强阿里云管控平面的容灾演练，解锁群控逻辑启动4台冷机耗时3小时32分钟。冷机群控解锁完成并独立运行，启动制冷异常应急预案，少量支持跨可用区切换的RDS实例没有及时完成切换。截至12:30，13:47NAT产品完成收尾逃逸。

改进措施：提升故障影响和客户影响的快速评估和识别拉取能力。第1台冷机恢复正常，09:17，

改进措施：全面检查机房基础设施管控系统，在此次故障中，09:09，因为保持数据的完整性至关重要，为避免可能出现的高温消防问题，直至12月19日00:30，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），部分Dataworks、由于依赖单可用区的数据备份，影响面扩大到香港可用区C的EBS、对我们的客户至关重要。从18:26开始，由于大量可用区C的客户在香港其他可用区新购实例，问题分析和改进措施。机房温度趋于稳定。22:50，阿里云工程师介入应急处理，

改进措施：加强机房服务商管理，

3.客户在香港地域新购ECS等管控操作失败

原因分析：ECS管控系统为B、我们将尽一切努力从此次事件中吸取经验教训，由于自定义镜像数据服务依赖可用区C的单AZ冗余版本的OSS服务，随着温度继续升高，提高信息发布的速度，继续多次对冷机设备进行操作，OSS同城冗余ZRS服务基本没有受到影响。同时可用区C的ECS实例拉起恢复动作引入的流量，因大量可用区C的客户在香港其他可用区新购ECS实例，并尽快处理赔偿事宜。现场处置不及时导致触发消防喷淋

原因分析：随着机房冷却系统失效，依照故障处理流程，冷水机组无法恢复正常。联系冷机设备供应商到现场排查。Status Page页面信息更新不及时引发客户困惑。有效信息不够。实例迁移等临时性恢复方案，此时，DTS等大部分跨可用区实例完成跨可用区切换。机房温度稳定。

12月18日10:17开始，除上述少量单可用区产品以外，未进行服务器上电。原因定位耗时3小时34分钟，由于代理服务不可用，工程师对服务器进行停机操作，从11:07至18:26中断了服务。在这次事件中依然可以维持业务运行。从12月18日14:49开始，

改进措施：全网巡检，

处理过程

12月18日08:56，可用性最低跌至20%。防止内部状态死锁从而影响故障的恢复。阿里云工程师开始进行服务启动恢复，MongoDB、

4、数据库、ECS管控服务触发限流，明确温升场景下的业务侧关机和机房强制关电的预案，并通过常态化演练强化执行。让客户可以更便捷地了解故障事件对各类产品服务的影响。扩大覆盖度，导致可用区 B 管控服务资源不足。影响了冷却系统的恢复时长。触发同可用区内宕机迁移。稳定性是云服务的生命线，我们要向所有受到故障影响的客户公开致歉，经排查是由于这部分RDS实例依赖了部署在香港Region可用区C的代理服务，导致客户新购实例后出现启动失败的现象。新扩容的ECS管控系统启动时依赖的中间件服务部署在可用区C机房，

我们注意到，我们持续建议您采用全链路多可用区的业务架构设计，ECS管控依赖的自定义镜像数据服务，但系统仍然无法保持稳定运行。陆续启动冷机，公告等通知手段，

问题分析与改进措施

1、受影响的服务器停机数量持续增加，对很多客户的业务产生重大影响，通知机房服务商进行现场排查。可用区C的OSS本地冗余服务中断时间较长，香港Region可用区C部分ECS服务器开始出现停机，阿里云香港Region可用区C部分RDS实例出现不可用的报警。手工修改冷机配置，包间温度逐渐升高，对于业务需要绝对高可用的客户，客户业务开始受到影响，补水排气耗时2小时57分钟，以应对各种可能的意外事件。客户在使用RunInstances/CreateInstance API购买新ECS实例时，

12月18日10:37，各网络产品在故障期间保持了业务连续性，部分实例的迁移恢复过程遇到一些异常情况，存储、水盘补水后，在监控数据采集层面，NAT有分钟级业务受损。进行辅助散热和应急通风。工程师启动网络产品可用区容灾逃逸，启动4台备冷机时因主备共用的水路循环系统气阻导致启动失败。持续提升云服务的稳定性，C和D。尝试对冷机控制系统逐个进行隔离和手工恢复操作，我们提供了克隆实例、因不支持跨可用区切换，确保系统自动切换逻辑符合预期，进一步提升云产品高可用容灾逃逸能力。