进一步提升云产品高可用容灾逃逸能力
。阿里通知机房服务商进行现场排查。云发用区

阿里云香港可用区C的布香故障，在这次事件中依然可以维持业务运行。中网期间，断事冷机设备供应商对设备问题排查遇到困难，说明OSS、蓝点在监控数据采集层面
，阿里但系统仍然无法保持稳定运行 。云发用区各网络产品在故障期间保持了业务连续性，布香启动制冷异常应急预案 ，中网出现服务异常的断事实例数量随之增加，不辜负客户所托  ！说明我们提供了克隆实例 、蓝点包间温度逐渐升高，阿里部分机器硬件损坏 ，RDS等更多云服务。工程师对这个包间的服务器进行了仔细的数据安全检查 ，ECS管控服务触发限流，其中一个包间因高温触发了强制消防喷淋。大数据集群进行降载处理 。由于大量可用区C的客户在香港其他可用区新购实例 ，冷机群控解锁完成并独立运行 ，但影响了香港Region ECS管控服务（Control Plane）的正常使用。为避免可能出现的高温消防问题，由于自定义镜像数据服务依赖可用区C的单AZ冗余版本的OSS服务 ，因机房冷却系统的群控逻辑，机房温度稳定。原因定位耗时3小时34分钟
，

21:36
，经冷机设备商工程师现场手工调整配置 
 ，继续多次对冷机设备进行操作
，并尽快处理赔偿事宜。阿里云监控到香港Region可用区C机房包间通道温控告警，陆续启动冷机，手工修改冷机配置 ，Privatelink以及少量GA实例）在此次故障中受到影响。解锁群控逻辑启动4台冷机耗时3小时32分钟
 。客户在使用RunInstances/CreateInstance API购买新ECS实例时 ，此时，从11:07至18:26中断了服务。12:45完成SLB等大部分网络产品可用区容灾逃逸，力求更简单有效，可用区C的OSS本地冗余服务中断时间较长  ，

12:30，但持续高温会导致磁盘坏道 ，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务） ，恢复服务前，

改进措施
：全网巡检，18:55 ，少量支持跨可用区切换的RDS实例没有及时完成切换 
。

改进措施：提升故障影响和客户影响的快速评估和识别拉取能力。由于代理服务不可用，除上述少量单可用区产品以外，其中一个包间因消防喷淋启动，我们必须要确保数据可靠性 ，经排查是由于这部分RDS实例依赖了部署在香港Region可用区C的代理服务，

阿里云网络少量单可用区产品（如：VPN、如果指定了自定义镜像 ，

4 、

12月18日10:37，从18:26开始，阿里云香港可用区C的部分存储服务OSS开始受到停机影响 ，整体优化多AZ产品高可用设计，依赖可用区C的单AZ冗余版本的OSS服务，因不支持跨可用区切换，可用性最低跌至20%。网络 、避免出现依赖OSS单AZ和中间件单AZ的问题 。确保系统自动切换逻辑符合预期，

问题分析与改进措施

1、部分服务器开始受到影响 。整个过程中，扩大覆盖度，持续提升云服务的稳定性，阿里云香港Region可用区C部分RDS实例出现不可用的报警。13:47NAT产品完成收尾逃逸 。ECS管控依赖的自定义镜像数据服务 ，需要依赖故障机房的恢复。温度开始下降
。21:30左右绝大部分数据库实例恢复正常。部署在可用区B 、

12月18日10:17开始，尝试对冷机控制系统逐个进行隔离和手工恢复操作，同时可用区C的ECS实例拉起恢复动作引入的流量，欲了解更多产品请访问阿里云官网
 ：https://ourl.co/aliho

北京时间2022年12月18日，19:02，补水排气耗时2小时57分钟 ，随着该可用区受故障影响的主机范围扩大，机房服务商按应急预案对异常冷机进行4+4主备切换以及重启，我们要向所有受到故障影响的客户公开致歉  ，故障信息发布不够及时透明

原因分析：故障发生后阿里云启动对客钉群 、阿里云香港Region可用区C发生大规模服务中断事件。花费了较多的时间进行完整性检验工作 。09:01 ，数据库、阿里云工程师陆续对整个机房计算、对于业务需要绝对高可用的客户，提高信息发布的速度
，启动4台备冷机时因主备共用的水路循环系统气阻导致启动失败。阿里云工程师介入应急处理 ，对我们的客户至关重要。冷水机组无法恢复正常  。因为保持数据的完整性至关重要，新扩容的ECS管控系统启动时依赖的中间件服务部署在可用区C机房，DTS等大部分跨可用区实例完成跨可用区切换
。MongoDB、单AZ本地冗余LRS服务有部分服务器因消防问题需要做隔离处理。截至12:30 ，部分单可用区实例以及单可用区高可用实例，工程师随后继续通过相同方法对其他冷机进行操作 。19:47 ，随着机房制冷设备恢复，阿里云本着负责任的态度公布了这次中断事件的完整报告 ，大部分机房包间服务器陆续启动并完成检查，部分Dataworks
、明确温升场景下的业务侧关机和机房强制关电的预案
，

服务影响

12月18日09:23 ，触发同可用区内宕机迁移 。受影响的服务器停机数量持续增加 ，水盘补水后
，RDS MySQL与Redis、

处理过程

12月18日08:56，C可用区故障后由B可用区对外提供服务 ，影响数据安全
，现场处置不及时导致触发消防喷淋

原因分析：随着机房冷却系统失效，在多方工程师诊断下 ，将冷机从群控调整为独立运行后，导致较长时间内无法扩容 。Status Page页面信息更新不及时引发客户困惑。仅少量实例实现有效迁移。需要花费较长的时间来处理解决 。增加了后续恢复难度和时长。防止内部状态死锁从而影响故障的恢复。同时保证手工切换的准确性 ，让客户可以更便捷地了解故障事件对各类产品服务的影响。问题分析和改进措施。阿里云工程师对部分高温包间启动服务器关机操作 。此时 ，梳理机房温升预案及标准化执行动作，第1台冷机恢复正常 
，

2、加强阿里云管控平面的容灾演练，22:50，C可用区双机房容灾，阿里云在香港Region可用区C提供了2种类型的OSS服务 ，

我们注意到，同时 ，对冷塔、导致客户新购实例后出现启动失败的现象。这里花费了一些必要的时间 。影响面扩大到香港可用区C的EBS、依照故障处理流程，部分实例的迁移恢复过程遇到一些异常情况 ，但均不能保持稳定运行。直至12月19日00:30，同时在多个可用区运行业务的客户，

总结

最后，提高对故障的排查和定位速度；在设施管控逻辑层面 ，香港Region可用区C部分ECS服务器开始出现停机
，09:17，在此次故障中，工程师对服务器进行停机操作 ，12月18日11:21 ，有效信息不够。由于高温原因，实例迁移等临时性恢复方案，进行辅助散热和应急通风。机房温度趋于稳定。15:20，最后一个包间依据安全性逐步进行供电恢复和服务器启动。

自10:30开始 ，电源柜和多列机柜进水，NAT有分钟级业务受损。稳定性是云服务的生命线 ，联系冷机设备供应商到现场排查 。冷却水管路及冷机冷凝器进行手工补水排气操作，阿里云工程师开始进行服务启动恢复 ，提升精细度 ，无法通过代理地址访问RDS实例 。影响水路循环导致4台主冷机服务异常 ，分批启动服务器 ，也是阿里云运营十多年来持续时间最长的一次大规模故障 。此时工程师排查到冷机异常 。此次香港Region可用区C服务中断事件，C和D。我们将尽一切努力从此次事件中吸取经验教训
，尽快上线新版的阿里云服务健康状态页面（Status Page），由于依赖单可用区的数据备份
，导致一机房包间温度达到临界值触发消防系统喷淋，并进行必要的数据完整性检查
。无法通过重试解决 。因大量可用区C的客户在香港其他可用区新购ECS实例，对于受故障影响的单机版实例及主备均在香港Region可用区C的高可用版实例，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力 。

3.客户在香港地域新购ECS等管控操作失败

原因分析：ECS管控系统为B、

改进措施：加强机房服务商管理，

改进措施 ：全面检查机房基础设施管控系统
，从12月18日14:49开始，无法单台独立启动冷机
，我们协助相关客户通过临时切换到使用RDS主实例的地址访问来进行恢复。14:47 ，冷机设备供应商到场，

以下内容转自阿里云官方 ，工程师启动数据库应急切换预案流程 。存储 、但发现无法稳定运行，经过复盘
，OSS同城冗余ZRS服务基本没有受到影响 
。客户业务开始受到影响，公告等通知手段，冷机系统故障恢复时间过长

原因分析 
：机房冷却系统缺水进气形成气阻
，影响了冷却系统的恢复时长 。API完全恢复可用为当日23:11。存储服务器重新分批启动。以应对各种可能的意外事件  。没有直接影响客户在香港其他可用区运行的业务 ，并通过常态化演练强化执行 。对很多客户的业务产生重大影响 ，但操作失败
，我们在这里向大家进一步说明故障情况、未进行服务器上电 。随着温度继续升高，我们持续建议您采用全链路多可用区的业务架构设计，其中 ，并持续观察温升情况。阿里云监控到该机房多个包间温升告警 ，部分实例在购买成功之后会出现启动失败的现象，09:09
 ，此时客户暂不会感知，但由于底层服务资源的限制，4台冷机恢复到正常制冷量。由于现场冷机处理进展缓慢，工程师启动网络产品可用区容灾逃逸，导致可用区 B 管控服务资源不足。

阿里云

2022年12月25日