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 、阿里此时，云发用区阿里云在香港Region可用区C提供了2种类型的布香OSS服务，机房温度稳定。中网触发同可用区内宕机迁移。断事阿里云监控到香港Region可用区C机房包间通道温控告警，说明我们协助相关客户通过临时切换到使用RDS主实例的蓝点地址访问来进行恢复。阿里云工程师对部分高温包间启动服务器关机操作。阿里由于依赖单可用区的云发用区数据备份，经过复盘，布香导致一机房包间温度达到临界值触发消防系统喷淋，中网C可用区双机房容灾 ，断事4台冷机恢复到正常制冷量 。说明

问题分析与改进措施

1、蓝点

服务影响

12月18日09:23 ，阿里NAT有分钟级业务受损。可用性最低跌至20% 。

12:30，因不支持跨可用区切换
 ，仅部署在可用区C；另一种是OSS同城冗余ZRS服务（通常叫3AZ冗余服务），工程师启动数据库应急切换预案流程。同时 ，因大量可用区C的客户在香港其他可用区新购ECS实例 ，但操作失败，

12月18日10:37，由于高温原因，12月18日11:21，12:45完成SLB等大部分网络产品可用区容灾逃逸，RDS MySQL与Redis
、由于现场冷机处理进展缓慢  ，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。依赖可用区C的单AZ冗余版本的OSS服务
 ，问题分析和改进措施
。对于业务需要绝对高可用的客户 ，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。大数据集群进行降载处理。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 。部分机器硬件损坏 ，客户业务开始受到影响，数据检查以及风险评估完成 ，阿里云监控到该机房多个包间温升告警，22:50，工程师随后继续通过相同方法对其他冷机进行操作。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。但持续高温会导致磁盘坏道
，影响了冷却系统的恢复时长 。

我们注意到，直至12月19日00:30，无法单台独立启动冷机，

改进措施：全网巡检，C和D。启动制冷异常应急预案，少量支持跨可用区切换的RDS实例没有及时完成切换。大部分机房包间服务器陆续启动并完成检查 ，我们要向所有受到故障影响的客户公开致歉
，

阿里云

2022年12月25日

原因分析：随着机房冷却系统失效，其中一个包间因高温触发了强制消防喷淋 。阿里云工程师介入应急处理 ，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 ，21:30左右绝大部分数据库实例恢复正常 。导致较长时间内无法扩容。但影响了香港Region ECS管控服务（Control Plane）的正常使用。

12月18日10:17开始
，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，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 ，我们在这里向大家进一步说明故障情况 、稳定性是云服务的生命线，经冷机设备商工程师现场手工调整配置，需要依赖故障机房的恢复。防止内部状态死锁从而影响故障的恢复 。实例迁移等临时性恢复方案，19:47，但发现无法稳定运行，Privatelink以及少量GA实例）在此次故障中受到影响。

改进措施：全面检查机房基础设施管控系统 ，无法通过代理地址访问RDS实例。通知机房服务商进行现场排查。并通过常态化演练强化执行 。部分实例的迁移恢复过程遇到一些异常情况，公告等通知手段，但系统仍然无法保持稳定运行。仅少量实例实现有效迁移
。但由于底层服务资源的限制 ，部分单可用区实例以及单可用区高可用实例，持续提升云服务的稳定性，因机房冷却系统的群控逻辑，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 ，需要花费较长的时间来处理解决。因为保持数据的完整性至关重要，将冷机从群控调整为独立运行后，存储、网络、

处理过程

12月18日08:56
，同时可用区C的ECS实例拉起恢复动作引入的流量，继续多次对冷机设备进行操作，提高对故障的排查和定位速度；在设施管控逻辑层面 ，温度开始下降 。尽快上线新版的阿里云服务健康状态页面（Status Page），导致客户新购实例后出现启动失败的现象。进行辅助散热和应急通风。并尽快处理赔偿事宜。客户在使用RunInstances/CreateInstance API购买新ECS实例时 ，梳理机房温升预案及标准化执行动作 ，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。API完全恢复可用为当日23:11。工程师对这个包间的服务器进行了仔细的数据安全检查，部分实例在购买成功之后会出现启动失败的现象，冷水机组无法恢复正常 。09:09
，RDS等更多云服务。期间 ，未进行服务器上电 。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，增加了后续恢复难度和时长。此时客户暂不会感知 ，力求更简单有效，在多方工程师诊断下，ECS管控服务触发限流，OSS同城冗余ZRS服务基本没有受到影响
。并进行必要的数据完整性检查。15:20
，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），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 ，对我们的客户至关重要。其中一个包间因消防喷淋启动 ，

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。存储服务器重新分批启动 。确保系统自动切换逻辑符合预期 ，随着该可用区受故障影响的主机范围扩大，工程师启动网络产品可用区容灾逃逸 ，阿里云香港Region可用区C部分RDS实例出现不可用的报警。如果指定了自定义镜像 ，花费了较多的时间进行完整性检验工作 。手工修改冷机配置，13:47NAT产品完成收尾逃逸。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，此次香港Region可用区C服务中断事件
，提升精细度，同时保证手工切换的准确性，包间温度逐渐升高，由于代理服务不可用，电源柜和多列机柜进水
，恢复服务前
，09:17，19:02，除上述少量单可用区产品以外 ，部署在可用区B 、并持续观察温升情况。没有直接影响客户在香港其他可用区运行的业务，我们将尽一切努力从此次事件中吸取经验教训
，尝试对冷机控制系统逐个进行隔离和手工恢复操作 ，但均不能保持稳定运行。阿里云工程师陆续对整个机房计算、冷机设备供应商到场，以应对各种可能的意外事件 。各网络产品在故障期间保持了业务连续性 ，避免出现依赖OSS单AZ和中间件单AZ的问题。出现服务异常的实例数量随之增加，不辜负客户所托 
！这里花费了一些必要的时间  。其中，

阿里云香港可用区C的故障，进一步提升云产品高可用容灾逃逸能力
。原因定位耗时3小时34分钟，补水排气耗时2小时57分钟
，截至12:30，第1台冷机恢复正常，

2、14:47 ，我们必须要确保数据可靠性
，在此次故障中，冷却水管路及冷机冷凝器进行手工补水排气操作 
，受影响的服务器停机数量持续增加
，

总结

最后，影响数据安全，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，导致可用区 B 管控服务资源不足。扩大覆盖度 ，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，从18:26开始，

4 、依照故障处理流程 ，可用区C的OSS本地冗余服务中断时间较长，解锁群控逻辑启动4台冷机耗时3小时32分钟 。我们提供了克隆实例、阿里云工程师开始进行服务启动恢复，

21:36，提高信息发布的速度
，数据库
、香港Region可用区C部分ECS服务器开始出现停机，

以下内容转自阿里云官方 
，此时 ，18:55 ，我们持续建议您采用全链路多可用区的业务架构设计，整个过程中，加强阿里云管控平面的容灾演练 ，阿里云香港Region可用区C发生大规模服务中断事件。在监控数据采集层面 ，从11:07至18:26中断了服务 。09:01，随着温度继续升高，工程师对服务器进行停机操作
，

改进措施 ：加强机房服务商管理 ，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。水盘补水后，对很多客户的业务产生重大影响 ，

自10:30开始，为避免可能出现的高温消防问题 ，部分Dataworks 、C可用区故障后由B可用区对外提供服务
，影响面扩大到香港可用区C的EBS、部分服务器开始受到影响。有效信息不够。影响水路循环导致4台主冷机服务异常，OSS、Status Page页面信息更新不及时引发客户困惑 。陆续启动冷机，机房温度趋于稳定。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、DTS等大部分跨可用区实例完成跨可用区切换 。从12月18日14:49开始，k8s用户控制台操作也受到了故障影响。对冷塔、联系冷机设备供应商到现场排查 。冷机群控解锁完成并独立运行，此时工程师排查到冷机异常。无法通过重试解决。同时在多个可用区运行业务的客户
 ，随着机房制冷设备恢复，由于大量可用区C的客户在香港其他可用区新购实例 ，分批启动服务器，MongoDB
、

阿里云网络少量单可用区产品（如：VPN 、整体优化多AZ产品高可用设计，明确温升场景下的业务侧关机和机房强制关电的预案，在这次事件中依然可以维持业务运行  。冷机设备供应商对设备问题排查遇到困难 ，