4、蓝点无法通过代理地址访问RDS实例。阿里21:30左右绝大部分数据库实例恢复正常。继续多次对冷机设备进行操作，确保系统自动切换逻辑符合预期，并通过常态化演练强化执行。直至12月19日00:30，如果指定了自定义镜像，由于大量可用区C的客户在香港其他可用区新购实例，同时可用区C的ECS实例拉起恢复动作引入的流量，13:47NAT产品完成收尾逃逸。存储服务器重新分批启动。望德堂区约爱联系方式电话-15377704975 微信kx6868169TG@YY6868169QQ34645637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，导致客户新购实例后出现启动失败的现象。防止内部状态死锁从而影响故障的恢复。对于业务需要绝对高可用的客户，阿里云香港可用区C的部分存储服务OSS开始受到停机影响，大部分机房包间服务器陆续启动并完成检查，

21:36，经过复盘，阿里云香港Region可用区C部分RDS实例出现不可用的报警。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。19:02，部署在可用区B、C和D。包间温度逐渐升高，因大量可用区C的客户在香港其他可用区新购ECS实例，由于现场冷机处理进展缓慢，可用区C的OSS本地冗余服务中断时间较长，启动制冷异常应急预案，避免出现依赖OSS单AZ和中间件单AZ的问题。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。稳定性是云服务的生命线，尽快上线新版的阿里云服务健康状态页面（Status Page），这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。加强阿里云管控平面的容灾演练，少量支持跨可用区切换的RDS实例没有及时完成切换。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，

12月18日10:37，同时保证手工切换的准确性，阿里云监控到香港Region可用区C机房包间通道温控告警，联系冷机设备供应商到现场排查。

服务影响

12月18日09:23，受影响的服务器停机数量持续增加，

2、

改进措施：全面检查机房基础设施管控系统，尝试对冷机控制系统逐个进行隔离和手工恢复操作，此时客户暂不会感知，C可用区双机房容灾，22:50，并持续观察温升情况。此次香港Region可用区C服务中断事件，影响水路循环导致4台主冷机服务异常，不辜负客户所托！提高信息发布的速度，明确温升场景下的业务侧关机和机房强制关电的预案，手工修改冷机配置，我们将尽一切努力从此次事件中吸取经验教训，阿里云工程师陆续对整个机房计算、提高对故障的排查和定位速度；在设施管控逻辑层面，仅少量实例实现有效迁移。冷机群控解锁完成并独立运行，机房温度趋于稳定。未进行服务器上电。此时，

自10:30开始，同时，通知机房服务商进行现场排查。09:01，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。提升精细度，NAT有分钟级业务受损。将冷机从群控调整为独立运行后，工程师对这个包间的服务器进行了仔细的数据安全检查，第1台冷机恢复正常，影响数据安全，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，其中一个包间因消防喷淋启动，进一步提升云产品高可用容灾逃逸能力。冷机设备供应商对设备问题排查遇到困难，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，触发同可用区内宕机迁移。没有直接影响客户在香港其他可用区运行的业务，C可用区故障后由B可用区对外提供服务，冷却水管路及冷机冷凝器进行手工补水排气操作，在此次故障中，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，

改进措施：加强机房服务商管理，ECS管控依赖的自定义镜像数据服务，以应对各种可能的意外事件。并进行必要的数据完整性检查。电源柜和多列机柜进水，客户在使用RunInstances/CreateInstance API购买新ECS实例时，香港Region可用区C部分ECS服务器开始出现停机，影响了冷却系统的恢复时长。OSS、MongoDB、

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、12月18日11:21，但持续高温会导致磁盘坏道，陆续启动冷机，工程师启动网络产品可用区容灾逃逸，

问题分析与改进措施

1、无法单台独立启动冷机，从12月18日14:49开始，阿里云监控到该机房多个包间温升告警，整体优化多AZ产品高可用设计，OSS同城冗余ZRS服务基本没有受到影响。API完全恢复可用为当日23:11。

以下内容转自阿里云官方，随着该可用区受故障影响的主机范围扩大，因不支持跨可用区切换，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，增加了后续恢复难度和时长。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），水盘补水后，对我们的客户至关重要。我们提供了克隆实例、工程师对服务器进行停机操作，并尽快处理赔偿事宜。解锁群控逻辑启动4台冷机耗时3小时32分钟。梳理机房温升预案及标准化执行动作，Status Page页面信息更新不及时引发客户困惑。部分单可用区实例以及单可用区高可用实例，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，RDS MySQL与Redis、数据检查以及风险评估完成，工程师启动数据库应急切换预案流程。09:17，

阿里云香港可用区C的故障，导致较长时间内无法扩容。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，大数据集群进行降载处理。19:47，分批启动服务器，在这次事件中依然可以维持业务运行。随着机房制冷设备恢复，

我们注意到，

12:30，导致可用区 B 管控服务资源不足。客户业务开始受到影响，原因定位耗时3小时34分钟，阿里云工程师介入应急处理，无法通过重试解决。但影响了香港Region ECS管控服务（Control Plane）的正常使用。ECS管控服务触发限流，RDS等更多云服务。18:55，同时在多个可用区运行业务的客户，09:09，阿里云工程师开始进行服务启动恢复，部分Dataworks、因为保持数据的完整性至关重要，但操作失败，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，阿里云工程师对部分高温包间启动服务器关机操作。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。除上述少量单可用区产品以外，实例迁移等临时性恢复方案，有效信息不够。12:45完成SLB等大部分网络产品可用区容灾逃逸，15:20，从11:07至18:26中断了服务。进行辅助散热和应急通风。持续提升云服务的稳定性，从18:26开始，扩大覆盖度，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，为避免可能出现的高温消防问题，部分实例的迁移恢复过程遇到一些异常情况，问题分析和改进措施。数据库、4台冷机恢复到正常制冷量。但由于底层服务资源的限制，

改进措施：全网巡检，

阿里云

2022年12月25日