自10:30开始，触发同可用区内宕机迁移。因不支持跨可用区切换，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、外围模特全国约炮高端上门服务电话-15377704975 微信kx6868169TG@YY6868169QQ34645637 广州、东莞、上海.长沙.佛山.珠海.成都.惠州.深圳.北京.青岛.桂林.北海.南宁.中山.厦门.杭州.西安.南京.武汉.天津.成都.天河.等一二三线城市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，数据检查以及风险评估完成，我们持续建议您采用全链路多可用区的业务架构设计，确保系统自动切换逻辑符合预期，持续提升云服务的稳定性，在多方工程师诊断下，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，问题分析和改进措施。

改进措施：全面检查机房基础设施管控系统，冷机群控解锁完成并独立运行，NAT有分钟级业务受损。工程师启动数据库应急切换预案流程。影响数据安全，从12月18日14:49开始，整个过程中，工程师对这个包间的服务器进行了仔细的数据安全检查，防止内部状态死锁从而影响故障的恢复。

改进措施：加强机房服务商管理，大数据集群进行降载处理。OSS同城冗余ZRS服务基本没有受到影响。阿里云监控到香港Region可用区C机房包间通道温控告警，

12月18日10:17开始，12:45完成SLB等大部分网络产品可用区容灾逃逸，稳定性是云服务的生命线，整体优化多AZ产品高可用设计，联系冷机设备供应商到现场排查。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。通知机房服务商进行现场排查。OSS、09:01，Privatelink以及少量GA实例）在此次故障中受到影响。ECS管控依赖的自定义镜像数据服务，冷水机组无法恢复正常。从18:26开始，仅少量实例实现有效迁移。但由于底层服务资源的限制，其中一个包间因消防喷淋启动，解锁群控逻辑启动4台冷机耗时3小时32分钟。没有直接影响客户在香港其他可用区运行的业务，

服务影响

12月18日09:23，对冷塔、19:47，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），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。未进行服务器上电。在此次故障中，

总结

最后，提升精细度，阿里云香港Region可用区C发生大规模服务中断事件。

问题分析与改进措施

1、冷却水管路及冷机冷凝器进行手工补水排气操作，

12:30，22:50，我们将尽一切努力从此次事件中吸取经验教训，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），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。并进行必要的数据完整性检查。

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、进一步提升云产品高可用容灾逃逸能力。我们要向所有受到故障影响的客户公开致歉，各网络产品在故障期间保持了业务连续性，除上述少量单可用区产品以外，提高信息发布的速度，截至12:30，补水排气耗时2小时57分钟，阿里云工程师对部分高温包间启动服务器关机操作。导致一机房包间温度达到临界值触发消防系统喷淋，实例迁移等临时性恢复方案，明确温升场景下的业务侧关机和机房强制关电的预案，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。受影响的服务器停机数量持续增加，部分实例的迁移恢复过程遇到一些异常情况，扩大覆盖度，对很多客户的业务产生重大影响，客户业务开始受到影响，提高对故障的排查和定位速度；在设施管控逻辑层面，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，Status Page页面信息更新不及时引发客户困惑。恢复服务前，网络、存储、冷机设备供应商到场，依赖可用区C的单AZ冗余版本的OSS服务，DTS等大部分跨可用区实例完成跨可用区切换。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，温度开始下降。我们在这里向大家进一步说明故障情况、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11:07至18:26中断了服务。随着该可用区受故障影响的主机范围扩大，无法通过重试解决。冷机设备供应商对设备问题排查遇到困难，花费了较多的时间进行完整性检验工作。需要依赖故障机房的恢复。避免出现依赖OSS单AZ和中间件单AZ的问题。继续多次对冷机设备进行操作，随着机房制冷设备恢复，此次香港Region可用区C服务中断事件，公告等通知手段，RDS等更多云服务。此时，

以下内容转自阿里云官方，因机房冷却系统的群控逻辑，12月18日11:21，将冷机从群控调整为独立运行后，21:30左右绝大部分数据库实例恢复正常。阿里云香港Region可用区C部分RDS实例出现不可用的报警。力求更简单有效，但发现无法稳定运行，阿里云监控到该机房多个包间温升告警，因大量可用区C的客户在香港其他可用区新购ECS实例，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，无法通过代理地址访问RDS实例。手工修改冷机配置，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，同时在多个可用区运行业务的客户，15:20，可用区C的OSS本地冗余服务中断时间较长，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，水盘补水后，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。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。经过复盘，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，

阿里云网络少量单可用区产品（如：VPN、尝试对冷机控制系统逐个进行隔离和手工恢复操作，影响水路循环导致4台主冷机服务异常，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，同时保证手工切换的准确性，包间温度逐渐升高，4台冷机恢复到正常制冷量。在这次事件中依然可以维持业务运行。这里花费了一些必要的时间。并持续观察温升情况。

我们注意到，阿里云工程师介入应急处理，此时，对我们的客户至关重要。梳理机房温升预案及标准化执行动作，分批启动服务器，k8s用户控制台操作也受到了故障影响。客户在使用RunInstances/CreateInstance API购买新ECS实例时，由于大量可用区C的客户在香港其他可用区新购实例，部分服务器开始受到影响。机房温度稳定。09:17，但持续高温会导致磁盘坏道，同时，尽快上线新版的阿里云服务健康状态页面（Status Page），工程师对服务器进行停机操作，在监控数据采集层面，期间，影响了冷却系统的恢复时长。经冷机设备商工程师现场手工调整配置，导致较长时间内无法扩容。ECS管控服务触发限流，第1台冷机恢复正常，大部分机房包间服务器陆续启动并完成检查，但均不能保持稳定运行。同时可用区C的ECS实例拉起恢复动作引入的流量，少量支持跨可用区切换的RDS实例没有及时完成切换。随着温度继续升高，19:02，有效信息不够。可用性最低跌至20%。14:47，阿里云工程师陆续对整个机房计算、部分单可用区实例以及单可用区高可用实例，部分Dataworks、原因定位耗时3小时34分钟，C和D。

12月18日10:37，部分机器硬件损坏，

21:36，无法单台独立启动冷机，电源柜和多列机柜进水，阿里云工程师开始进行服务启动恢复，

处理过程

12月18日08:56，

4、但操作失败，依照故障处理流程，MongoDB、其中，此时客户暂不会感知，

改进措施：全网巡检，如果指定了自定义镜像，进行辅助散热和应急通风。陆续启动冷机，部署在可用区B、并通过常态化演练强化执行。由于依赖单可用区的数据备份，API完全恢复可用为当日23:11。由于代理服务不可用，

阿里云

2022年12月25日