深入微软Outlook大规模故障事件

新闻要点

微软Outlook因潜在网络缺陷遭遇近24小时全球性中断,被定为最高级别事故。起因是Teams故障转移与容量降低触发服务器负载激增,导致休眠漏洞爆发。恢复缓慢因自动化流程无法处理大规模无响应状态,公司正完善测试以防范复发。

正文

上周四上午9点,微软Outlook邮箱服务遭遇其历史上最严重的宕机之一,全球数亿用户及众多政府机构在长达近24小时内无法访问邮件。故障最初从瑞士爆发,随后迅速蔓延至墨西哥及其他地区。由于备用系统试图将流量转移至其他服务器,反而导致问题扩散,超过80%的Exchange服务器陷入无响应状态。微软内部将此事件定为最高级别的“Sev0”灾难性服务中断,数百名工程师紧急投入抢修,试图查明原因并恢复服务。

经过排查,微软排除了网络攻击或AI代码错误的可能性,最终发现是一个潜伏自7月的底层缺陷。该漏洞存在于Microsoft 365专用的网络网关服务器中,源于Windows进程内的锁竞争问题。尽管此Bug此前未造成影响,但在特定负载条件下会引发服务器过载。此次事故由三个因素叠加触发:一是Teams系统临时切换至主网关增加了负载;二是当天约14%的网关容量因无关问题离线;三是新硬件核心数较多加剧了锁竞争。这种罕见的级联失效导致自动恢复机制失效,重启的服务器立即被积压流量压垮,形成重启循环。

微软工程团队指出,常规的回滚和特性开关措施对此类深层架构缺陷无效,且测试环境主要使用旧款低配硬件,未能模拟出高并发下的真实场景。虽然微软已逐步稳定服务器,但协调多团队干预的过程较为复杂,一度出现千人在桥接会议上协作的局面。公司承认测试流程存在不足,表示正在撰写详细的事后复盘报告,计划于本周晚些时候发布,并将借此优化测试体系以预防类似事件再次发生。

评论 0

逛逛 Pop ↗
奖励 100 宝石

评论审核通过后可获奖励,与 Pop 共用每日 3 条额度,同一新闻每天奖励一次。

还没有评论,来分享第一个想法吧。

提交反馈

每一个想法,都让 Mergeek 更好一点。