上周,微软Microsoft 365服务遭遇大规模宕机,导致大量用户无法收发邮件。微软承认,故障高峰期超过80%的服务器处于无响应状态。

微软平台负责人查尔斯·拉曼纳(Charles Lamanna)证实,这是一起技术故障而非网络攻击,并否认此事与此前的大规模裁员有关。尽管公司全力修复,但恢复时间长于预期,引发用户不满。

双重因素引发级联故障

拉曼纳指出,事故由两个因素叠加导致。首先,微软维护的两套独立网络网关系统中,一套发生故障,致使剩余系统承担全部流量负载。虽然单个网关设计容量足以应对全量流量,但这一压力触发了早在今年7月埋下的隐患。

其次,7月部署的一项针对网络网关服务器的修复程序存在潜伏缺陷。该缺陷源于内部进程的“锁争用”(lock contention),导致服务器在特定负载下不堪重负并失去响应。由于更新经过安全部署流程且在此后三个月内未现异常,常规负载测试未能检出问题。

微软解释称,测试实验室使用的流量模型和硬件SKU组合与实际生产环境存在差异。锁争用问题在多核心新硬件上更为显著,而常规测试往往侧重于核心数较少的旧硬件,导致该缺陷在极可能失败的高压环境下未被发现。

外界质疑人手不足

尽管微软强调事故与裁员及AI替代人工无关,但有观点认为,如此规模的科技企业犯下此类低级错误,难以排除负责更新的工程师人手不足的可能性。