微软解释Microsoft 365全球服务中断原因:潜伏缺陷与负载激增共同作用
12日,微软(Microsoft)旗下Microsoft 365服务的多个网络网关在全球范围内发生中断。该公司随后解释了此次故障的原因,指出是潜伏的软件缺陷、网关负载增加以及服务器容量减少三者共同作用所致。
微软首席副总裁Charles Lamanna负责Copilot、代理及平台业务,他就此次故障对客户正常工作和运营造成的影响公开致歉,并提示用户可通过Microsoft 365管理员中心查看详细信息。
首要因素:特定负载条件下的潜伏缺陷
导致故障的首要因素是一种在特定负载条件下会使服务器陷入无响应状态的潜伏缺陷。微软解释称,由于服务器内部进程试图使用相同资源而发生竞争,导致系统无法正常运行。该缺陷是在针对网络网关服务器的专用修复过程中产生的。微软强调,这一缺陷及其相关的修改均不适用于常规的Windows部署。
引发问题的变更自7月起已在全球服务器上部署。在持续数周的部署期间未观察到异常,且在完成全球部署后的三个月内也未出现任何影响。
次要因素:负载上升与容量缩减的叠加效应
第二个因素是网关负载的上升,这增加了潜伏缺陷被触发的可能性。微软表示,为了确保服务隔离和高可用性,公司运行着两个独立且结构不同的网络网关系统。当一侧发生故障时,会将服务切换至另一侧,这是标准的弹性恢复措施。
第三个因素是,在故障发生前一天,约有14%的网关服务器容量因单独的问题而脱离服务。这些容量本应通过定期维护和状态检查程序逐步恢复。微软指出,尽管有充足的备用容量,仅凭容量减少本身并不会影响服务,但负载增加与容量减少的结合,最终导致了7月引入的潜伏缺陷显现。
背景回顾
此前,媒体曾报道微软发布的故障公告中列出了受影响的21项服务和产品。文章还提及,部分服务器中断后,剩余服务器出现了过载情况。此次官方说明进一步具体化了导致网关中断的三个关键条件。