微软查清了上周那场全球宕机的根因。在周一发布的初步报告中,这家公司把持续24小时的服务中断归结为三个因素:一个数月前埋下的旧bug、内部连接失效,以及服务器容量不足。微软高管称,这三个因素单独拿出来,每一个都可能很容易解决,但叠加在一起,就酿成了一场更难缓解的大故障。

打开网易新闻 查看精彩图片

故障从周四开始。美国用户最先报告Outlook邮箱访问中断,到了第二天,全球数以百万计的人表示自己完全无法访问邮箱,其他Office 365服务也一并受影响。后果落到了具体场景里:监狱无法释放囚犯,医院退回纸质记录,学校与家长失去联系,警察部门收不到犯罪报告。微软表示已在周六解决问题、恢复服务,并作出道歉。公司没有把这次中断归因于网络安全入侵。

微软Copilot、智能体与平台执行副总裁查尔斯·拉曼纳(Charles Lamanna)周一在X上发文,给出了技术层面的解释:7月存在一个潜伏的bug或缺陷,导致微软服务器“不堪重负、失去响应”。

拉曼纳写道,公司通常有两个可用的网络网关,也就是连接不同系统、允许数据在两者之间通行的出入口。但其中一个网关对微软Teams不工作,压力于是全压到了主网关上。紧接着,超过14%的服务器容量因为前一天一个不相关的问题也无法工作。

“综合起来,增加的负载和减少的服务器容量,让网络网关撞上了7月那个潜伏的bug,”拉曼纳写道,“这导致请求不断堆积,直到服务器最终停止响应。这一切发生在美国流量高峰时段。”

更棘手的是缓解难度。拉曼纳说,这个bug起源于数月之前,所以处理起来不像回滚最近一次改动那样简单。“恢复时间比平时更长,因为服务器一恢复服务,就立刻被等待中的流量淹没,再次失去响应,”他写道,“我们通常的自动化恢复流程,并不是为从这种大范围无响应状态中恢复而设计的。另外,由于主要代码缺陷是几个月前的潜伏bug,我们常规的回滚、灰度发布和功能开关都无法快速还原这次改动。”

他表示,公司计划发布一份最终报告,其中会包含更多信息。

分析人士认为,这次全球宕机凸显出企业有必要审视自己对单一操作系统的依赖程度。“这是一个典型例子,说明不仅网络韧性重要,业务韧性同样重要,”NCC Group网络情报与响应副总裁马特·赫尔(Matt Hull)说,“医院、学校和其他关键服务受影响的报告表明,无论原因是什么,一次系统中断都可能造成广泛冲击。”