
上周,全球范围内的 Microsoft 365 服务中断引发了一起严重的安全事故:德国一家酒店的关键安全系统失效,导致 15 名住客因氯气中毒受伤。微软随后发布详细事故报告,揭示了此次故障的根本原因。
事发地点位于幻想世界主题公园(Phantasialand)旗下的一家酒店。由于游泳池氯含量超标发生泄漏,而依赖电子邮件发送警报的氯气监测系统恰逢 Microsoft 365 服务瘫痪,工作人员未能及时获知险情。直到多名住客出现不适症状,险情才被察觉。
据悉,当地消防部门派出 40 名急救人员到场处置。15 名住客在接受分诊后接受治疗,主要症状为呼吸道刺激,其中四人被送往医院救治。
微软复盘:三重因素引发级联故障
微软在 Microsoft 365 管理中心及 Reddit 发布的事后分析报告显示,此次全球性故障由三个主要因素共同导致:一是七月遗留的一个“潜在缺陷”影响了 Windows 服务器;二是 Microsoft Teams 故障增加了与 Microsoft Exchange 共享系统的负载;三是当时网络系统中 14% 的服务器容量处于离线状态。
单独来看,上述因素均不足以引发全球性崩溃。但当负载增加与服务器容量降低叠加时,触发了潜伏已久的缺陷。正值美国地区流量高峰时段,服务器请求积压,最终导致停止响应。
为缓解局势,流量被自动重定向至健康节点,但这使得这些节点更易遭遇相同缺陷。微软指出:“这导致了从一台服务器到另一台服务器的级联故障,因为相同数量的负载被分散到了更少的服务器上。”在最严重时,80% 的可用服务器失去响应。
此外,由于另一个独立问题,微软防止此类级联故障的机制未能生效。恢复时间超出预期,因为重启后的服务器立即被积压流量淹没,导致再次故障。鉴于潜在缺陷可追溯至七月,仅回滚到最近版本无法解决问题。
为彻底修复,微软不得不将代码路径恢复至之前正常状态,分批下线服务器以部署补丁,最后重新启动系统。这份报告警示,当多个看似独立的问题汇聚时,大规模系统故障的后果可能远超技术层面,直接威胁人们的健康与安全。