微软就云服务故障发布初步分析报告

作者：佚名 2018-09-19 12:53:52

云计算 微软已经对9月4日影响全球客户的故障发布了一份初步根本原因分析(RCA)报告。Azure工程团队正在继续调查此事件，并表示他们将在”未来几周内”提供更详细的分析。

微软已经对9月4日影响全球客户的故障发布了一份初步根本原因分析(RCA)报告。Azure工程团队正在继续调查此事件，并表示他们将在”未来几周内”提供更详细的分析。 

微软的官员们在这份分析报告中表示，受到影响的客户将在10月份的账单中，根据微软Azure服务水平协议(Microsoft Azure Service Level Agreement)得到相应的补偿。

9月4日，微软在美国中南部的数据中心附近出现了一次雷击，很多Azure服务出现了故障，需要通过Azure 动态目录(Azure Active Directory)进行身份认证的Office 365也受到影响，此次事件的影响波及到了微软全球的很多客户。

[[244179]]

微软的分析报告总结表示，风暴导致”电力系统供应的波动，导致电压骤升。”电压的骤升导致一个Azure数据中心切换至发电机供电，并关闭了该数据中心的制冷系统，但该中心配备有浪涌抑制器。该数据中心仍然通过冷却系统中与负载相关的热缓冲器维持所需的工作温度，但是等到缓冲器作用耗尽，温度就出现了升高，设备就出现了自动关闭。

一些硬件在关闭之前就已经被损坏，包括”大量存储服务器”以及其他网络设备和电源单元。现场团队开始尝试恢复基础架构，这意味着更换故障硬件，将服务器迁移到健康的服务器上并检查数据是否已经损坏。

对于那些想知道为什么微软的数据中心没有在故障中转移到备份站点的人：”当时做出的决定是为了恢复数据而不是转移到另一个数据中心，因为由于地理复制的异步特性，故障转移会导致部分数据丢失。”

关闭数据中心会影响许多依赖于该数据中心内存储服务器的Azure服务。受影响的服务包括：torage、虚拟机(Virtual Machines)、Application Insights、认知服务和自定义视觉API(Cognitive Services & Custom Vision API)、备份(Backup)、应用程序服务(以及用于Linux的应用程序服务和用于容器的Web应用程序)、用于MySQL的Azure数据库、SQL数据库、Azure自动化(Azure Automation)、站点恢复(Site Recovery)，Redis缓存(Redis Cache)、Cosmos数据库、流分析(Stream Analytics)、媒体服务(Media Services)、Azure资源管理器(Azure Resource Manager)、Azure VPN网关、PostgreSQL、Application Insights 、Azure机器学习工作室、Azure搜索、数据工厂、HDInsight、物联网中心、分析服务、密钥库、日志分析、Azure监视器、Azure计划程序、逻辑应用程序、Databricks、ExpressRoute、容器注册表(Container Registry)、应用程序网关(Application Gateway)、服务总线(Service Bus)、事件中心(Event Hub)、Azure Portal IaaS Experiences– Bot服务、Azure批处理、Service Fabric和Visual Studio Team Services(VSTS)。

微软表示”这些服务中的绝大部分在协调世界时9月5日的11:00都已经恢复了”，但是也承认到了9月7日的8:40才完全解决这些问题。

为什么美国中南部地区以外的客户也会受到这一系列事件的影响?据该帖子称，”Azure Service Manager的弹性不足”，它采用的是”经典”资源类型的运营管理服务。微软的高管们表示，”虽然ASM是一项全球服务，但它不支持自动故障转移。”由于对ASM和其他相关服务的各种依赖性，美国中南部地区以外的Azure资源管理器服务也受到了影响。