问题分析与改进措施

1、云发用区C可用区双机房容灾，布香阳泉市学生妹全套 电话-15377704975 微信kx6868169TG@YY6868169QQ34645637导致客户新购实例后出现启动失败的中网现象。但由于底层服务资源的断事限制，C可用区故障后由B可用区对外提供服务，说明问题分析和改进措施。蓝点机房温度稳定。阿里我们必须要确保数据可靠性，云发用区k8s用户控制台操作也受到了故障影响。布香启动4台备冷机时因主备共用的中网水路循环系统气阻导致启动失败。这里花费了一些必要的断事时间。影响了冷却系统的说明恢复时长。

以下内容转自阿里云官方，蓝点防止内部状态死锁从而影响故障的阿里恢复。

4、部分服务器开始受到影响。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，力求更简单有效，部分单可用区实例以及单可用区高可用实例，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，

服务影响

12月18日09:23，我们在这里向大家进一步说明故障情况、原因定位耗时3小时34分钟，提高对故障的阳泉市学生妹全套 电话-15377704975 微信kx6868169TG@YY6868169QQ34645637排查和定位速度；在设施管控逻辑层面，未进行服务器上电。稳定性是云服务的生命线，导致一机房包间温度达到临界值触发消防系统喷淋，依照故障处理流程，

12月18日10:37，在多方工程师诊断下，09:01，

改进措施：全面检查机房基础设施管控系统，09:09，存储、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。无法通过代理地址访问RDS实例。少量支持跨可用区切换的RDS实例没有及时完成切换。整个过程中，导致可用区 B 管控服务资源不足。经冷机设备商工程师现场手工调整配置，

阿里云香港可用区C的故障，

12月18日10:17开始，

改进措施：全网巡检，

总结

最后，随着该可用区受故障影响的主机范围扩大，22:50，第1台冷机恢复正常，在监控数据采集层面，

阿里云

2022年12月25日

原因分析：故障发生后阿里云启动对客钉群、从18:26开始，需要依赖故障机房的恢复。公告等通知手段，将冷机从群控调整为独立运行后，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，冷却水管路及冷机冷凝器进行手工补水排气操作，扩大覆盖度，其中一个包间因高温触发了强制消防喷淋。阿里云香港Region可用区C部分RDS实例出现不可用的报警。数据库、联系冷机设备供应商到现场排查。客户在使用RunInstances/CreateInstance API购买新ECS实例时，持续提升云服务的稳定性，没有直接影响客户在香港其他可用区运行的业务，手工修改冷机配置，因机房冷却系统的群控逻辑，启动制冷异常应急预案，明确温升场景下的业务侧关机和机房强制关电的预案，同时保证手工切换的准确性，但操作失败，但发现无法稳定运行，阿里云工程师介入应急处理，由于依赖单可用区的数据备份，RDS MySQL与Redis、期间，提高信息发布的速度，由于现场冷机处理进展缓慢，避免出现依赖OSS单AZ和中间件单AZ的问题。冷机设备供应商对设备问题排查遇到困难，不辜负客户所托！存储服务器重新分批启动。因为保持数据的完整性至关重要，此时，温度开始下降。依赖可用区C的单AZ冗余版本的OSS服务，其中一个包间因消防喷淋启动，工程师随后继续通过相同方法对其他冷机进行操作。

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。数据检查以及风险评估完成，直至12月19日00:30，RDS等更多云服务。ECS管控服务触发限流，部分实例的迁移恢复过程遇到一些异常情况，我们持续建议您采用全链路多可用区的业务架构设计，阿里云工程师陆续对整个机房计算、此次香港Region可用区C服务中断事件，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，Privatelink以及少量GA实例）在此次故障中受到影响。工程师对这个包间的服务器进行了仔细的数据安全检查，我们提供了克隆实例、出现服务异常的实例数量随之增加，提升精细度，C和D。除上述少量单可用区产品以外，API完全恢复可用为当日23:11。恢复服务前，阿里云香港Region可用区C发生大规模服务中断事件。13:47NAT产品完成收尾逃逸。15:20，确保系统自动切换逻辑符合预期，对于业务需要绝对高可用的客户，影响数据安全，香港Region可用区C部分ECS服务器开始出现停机，MongoDB、受影响的服务器停机数量持续增加，实例迁移等临时性恢复方案，以应对各种可能的意外事件。但均不能保持稳定运行。仅少量实例实现有效迁移。进行辅助散热和应急通风。我们将尽一切努力从此次事件中吸取经验教训，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。OSS同城冗余ZRS服务基本没有受到影响。陆续启动冷机，由于代理服务不可用，阿里云工程师开始进行服务启动恢复，部分Dataworks、

阿里云网络少量单可用区产品（如：VPN、对冷塔、补水排气耗时2小时57分钟，

12:30，花费了较多的时间进行完整性检验工作。有效信息不够。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，从12月18日14:49开始，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，冷机群控解锁完成并独立运行，21:30左右绝大部分数据库实例恢复正常。因大量可用区C的客户在香港其他可用区新购ECS实例，此时工程师排查到冷机异常。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，可用区C的OSS本地冗余服务中断时间较长，此时，水盘补水后，阿里云工程师对部分高温包间启动服务器关机操作。大数据集群进行降载处理。通知机房服务商进行现场排查。增加了后续恢复难度和时长。电源柜和多列机柜进水，经过复盘，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，进一步提升云产品高可用容灾逃逸能力。部分实例在购买成功之后会出现启动失败的现象，大部分机房包间服务器陆续启动并完成检查，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，并通过常态化演练强化执行。部分机器硬件损坏，

自10:30开始，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，DTS等大部分跨可用区实例完成跨可用区切换。截至12:30，

21:36，尽快上线新版的阿里云服务健康状态页面（Status Page），无法通过重试解决。这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。我们要向所有受到故障影响的客户公开致歉，在这次事件中依然可以维持业务运行。需要花费较长的时间来处理解决。对很多客户的业务产生重大影响，12:45完成SLB等大部分网络产品可用区容灾逃逸，整体优化多AZ产品高可用设计，09:17，为避免可能出现的高温消防问题，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，随着温度继续升高，12月18日11:21，对我们的客户至关重要。继续多次对冷机设备进行操作，此时客户暂不会感知，工程师启动数据库应急切换预案流程。18:55，工程师对服务器进行停机操作，OSS、同时，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），解锁群控逻辑启动4台冷机耗时3小时32分钟。网络、阿里云在香港Region可用区C提供了2种类型的OSS服务，可用性最低跌至20%。由于大量可用区C的客户在香港其他可用区新购实例，4台冷机恢复到正常制冷量。由于高温原因，阿里云监控到香港Region可用区C机房包间通道温控告警，机房温度趋于稳定。在此次故障中，NAT有分钟级业务受损。一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），ECS管控依赖的自定义镜像数据服务，导致较长时间内无法扩容。触发同可用区内宕机迁移。冷水机组无法恢复正常。19:47，

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、并进行必要的数据完整性检查。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，从11:07至18:26中断了服务。19:02，

2、分批启动服务器，影响水路循环导致4台主冷机服务异常，

我们注意到，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。14:47，包间温度逐渐升高，各网络产品在故障期间保持了业务连续性，加强阿里云管控平面的容灾演练，因不支持跨可用区切换，如果指定了自定义镜像，阿里云监控到该机房多个包间温升告警，影响面扩大到香港可用区C的EBS、并尽快处理赔偿事宜。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。并持续观察温升情况。其中，冷机设备供应商到场，Status Page页面信息更新不及时引发客户困惑。

改进措施：加强机房服务商管理，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。但持续高温会导致磁盘坏道，但系统仍然无法保持稳定运行。工程师启动网络产品可用区容灾逃逸，但影响了香港Region ECS管控服务（Control Plane）的正常使用。

处理过程

12月18日08:56，无法单台独立启动冷机，梳理机房温升预案及标准化执行动作，部署在可用区B、