上週,Microsoft 365 發生了一次重大故障,導致大量用戶無法發送和接收電子郵件。該公司現在承認,在最嚴重的情況下,超過 80% 的伺服器無法響應。Microsoft 現在解釋了故障的原因,表示導致這一失敗的錯誤其實早在七月就已經出現,但未被發現。該公司當時表示這是一個技術問題,而非網絡攻擊,並且正在全力修復該問題,承認修復時間超出了預期。Microsoft 也否認此事件與上個月宣佈的數千名裁員有關。
用戶對於這次故障的規模及修復所需的時間表示不滿,儘管網絡迷因創作者卻對此感到有趣。
Microsoft 的解釋中提到,問題的嚴重性是由兩個因素結合引起的。平台負責人 Charles Lamanna 承認問題的嚴重性。在不到兩個小時內,這一之前未知的缺陷遍及公司的伺服器,使其無法響應。在最糟糕的情況下,超過 80% 的伺服器無法響應。他表示,這是由兩個問題的組合造成的。該公司擁有兩個獨立的網絡閘道系統,其中一個發生故障,導致剩餘的閘道承擔了全部負載。
單獨來看,這不會造成問題,Microsoft 表示每個系統都有足夠的容量來處理所有流量。然而,七月時的一個錯誤導致了連鎖故障。
Microsoft 365 故障的根本原因已經被確定
潛在的缺陷使伺服器在某些負載條件下變得超負荷和無法響應,這是由於內部過程中的鎖競爭所致,導致機器無法使用。這一缺陷是為 Microsoft 365 網絡閘道伺服器特別準備的修復的結果。行為的初始變化於今年七月開始部署。此更新經過安全部署,並在幾周內全球普及,期間未觀察到任何問題。在超過三個月的時間裡,該變更在全球範圍內部署,未造成影響。我們的正常負載測試未能檢測到這一潛在問題,因為測試實驗室中使用的流量及 SKU 組合不同。
對於擁有更多核心和較新硬件的機器,競爭問題更為嚴重;而我們的負載測試往往集中在核心數量較少的較弱硬件 SKU 上。換句話說,該更新並未在最可能失敗的條件下進行測試。
根據 9to5Mac 的觀點,儘管該公司聲稱此事件與裁員和用人工智能系統取代人員無關,但我對此持懷疑態度。對於像 Microsoft 這樣規模的公司來說,竟然會犯下如此明顯的錯誤,似乎是不可思議的,除非在更新過程中負責的工程師人數不足。請在評論中分享您的看法。

