布香务中断事点网云发用区港R说明 蓝n可件的阿里C服
问题分析与改进措施
1 、布香
服务影响
12月18日09:23 ，中网阿里云香港可用区C的断事部分存储服务OSS开始受到停机影响 ，新扩容的说明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 ，除上述少量单可用区产品以外 ，蓝点
改进措施：提升故障影响和客户影响的阿里快速评估和识别拉取能力 。并尽快处理赔偿事宜 。云发用区电源柜和多列机柜进水，布香由于依赖单可用区的中网数据备份 ，可用区C的断事OSS本地冗余服务中断时间较长 ，影响了冷却系统的说明恢复时长 。稳定性是蓝点云服务的生命线 ，不辜负客户所托 ！阿里提升精细度 ，阿里云在香港Region可用区C提供了2种类型的OSS服务 ，冷机设备供应商到场 ，
自10:30开始 ，19:47 ，有效信息不够 。对很多客户的业务产生重大影响 ，恢复服务前 ，包间温度逐渐升高 ，但影响了香港Region ECS管控服务（Control Plane）的正常使用 。工程师启动网络产品可用区容灾逃逸，通知机房服务商进行现场排查。API完全恢复可用为当日23:11 。阿里云监控到香港Region可用区C机房包间通道温控告警 ，数据检查以及风险评估完成 ，花费了较多的时间进行完整性检验工作 。受影响的服务器停机数量持续增加，期间，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 ，影响面扩大到香港可用区C的EBS、其中一个包间因消防喷淋启动 ，分批启动服务器 ，对冷塔 、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。k8s用户控制台操作也受到了故障影响 。确保系统自动切换逻辑符合预期 ，机房温度稳定 。整体优化多AZ产品高可用设计 ，MongoDB 、继续多次对冷机设备进行操作，截至12:30 ，对于业务需要绝对高可用的客户 ，19:02，直至12月19日00:30 ，由于高温原因 ，实例迁移等临时性恢复方案 ，存储服务器重新分批启动。但发现无法稳定运行 ，
2、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 ，客户在使用RunInstances/CreateInstance API购买新ECS实例时 ，部分服务器开始受到影响 。其中一个包间因高温触发了强制消防喷淋 。无法通过代理地址访问RDS实例。陆续启动冷机 ，各网络产品在故障期间保持了业务连续性 ，冷水机组无法恢复正常 。阿里云监控到该机房多个包间温升告警 ，14:47 ，随着该可用区受故障影响的主机范围扩大 ，同时，明确温升场景下的业务侧关机和机房强制关电的预案 ，此时 ，在此次故障中 ，
总结
最后 ，部分实例在购买成功之后会出现启动失败的现象 ，存储 、
21:36 ，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 。我们将尽一切努力从此次事件中吸取经验教训 ，Privatelink以及少量GA实例）在此次故障中受到影响 。这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力 。尽快上线新版的阿里云服务健康状态页面（Status Page） ，第1台冷机恢复正常 ，我们持续建议您采用全链路多可用区的业务架构设计，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 ，随着温度继续升高 ，原因定位耗时3小时34分钟 ，但由于底层服务资源的限制 ，同时保证手工切换的准确性 ，
改进措施 ：全网巡检 ，工程师随后继续通过相同方法对其他冷机进行操作。我们要向所有受到故障影响的客户公开致歉，
处理过程
12月18日08:56 ，尝试对冷机控制系统逐个进行隔离和手工恢复操作，冷机设备供应商对设备问题排查遇到困难 ，
以下内容转自阿里云官方 ，OSS 、如果指定了自定义镜像 ，解锁群控逻辑启动4台冷机耗时3小时32分钟 。在多方工程师诊断下，ECS管控依赖的自定义镜像数据服务 ，触发同可用区内宕机迁移 。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。无法单台独立启动冷机，在这次事件中依然可以维持业务运行 。
阿里云香港可用区C的故障 ，启动制冷异常应急预案，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 ，
改进措施 ：加强机房服务商管理，部分实例的迁移恢复过程遇到一些异常情况 ，18:55，RDS MySQL与Redis 、4台冷机恢复到正常制冷量 。工程师启动数据库应急切换预案流程 。
12:30 ，
改进措施 ：全面检查机房基础设施管控系统 ，为避免可能出现的高温消防问题 ，我们必须要确保数据可靠性 ，21:30左右绝大部分数据库实例恢复正常 。我们提供了克隆实例 、经冷机设备商工程师现场手工调整配置 ，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） ，我们在这里向大家进一步说明故障情况 、阿里云工程师介入应急处理 ，阿里云香港Region可用区C发生大规模服务中断事件。此时工程师排查到冷机异常 。但均不能保持稳定运行 。梳理机房温升预案及标准化执行动作 ，网络 、导致可用区 B 管控服务资源不足 。同时可用区C的ECS实例拉起恢复动作引入的流量 ，工程师对这个包间的服务器进行了仔细的数据安全检查 ，大部分机房包间服务器陆续启动并完成检查 ，以应对各种可能的意外事件 。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 。此次香港Region可用区C服务中断事件 ，由于代理服务不可用 ，水盘补水后 ，
4 、NAT有分钟级业务受损 。并进行必要的数据完整性检查 。提高信息发布的速度 ，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 ，问题分析和改进措施 。从11:07至18:26中断了服务 。09:09 ，工程师对服务器进行停机操作 ，导致一机房包间温度达到临界值触发消防系统喷淋 ，C和D 。整个过程中 ，香港Region可用区C部分ECS服务器开始出现停机，
我们注意到 ，ECS管控服务触发限流 ，由于大量可用区C的客户在香港其他可用区新购实例 ，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 。冷机群控解锁完成并独立运行，出现服务异常的实例数量随之增加 ，
12月18日10:17开始，RDS等更多云服务 。无法通过重试解决 。仅少量实例实现有效迁移 。因大量可用区C的客户在香港其他可用区新购ECS实例，经过复盘，其中，部署在可用区B 、阿里云工程师开始进行服务启动恢复 ，补水排气耗时2小时57分钟，因为保持数据的完整性至关重要，但持续高温会导致磁盘坏道 ，未进行服务器上电 。冷却水管路及冷机冷凝器进行手工补水排气操作，但操作失败，导致较长时间内无法扩容 。
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、扩大覆盖度 ，提高对故障的排查和定位速度；在设施管控逻辑层面，22:50 ，手工修改冷机配置 ，依赖可用区C的单AZ冗余版本的OSS服务 ，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、因机房冷却系统的群控逻辑 ，导致客户新购实例后出现启动失败的现象 。由于现场冷机处理进展缓慢 ，客户业务开始受到影响 ，依照故障处理流程 ，对我们的客户至关重要。并通过常态化演练强化执行 。部分Dataworks 、DTS等大部分跨可用区实例完成跨可用区切换 。公告等通知手段 ，C可用区双机房容灾 ，13:47NAT产品完成收尾逃逸 。Status Page页面信息更新不及时引发客户困惑 。从12月18日14:49开始 ，此时客户暂不会感知 ，
阿里云
2022年12月25日
持续提升云服务的稳定性 ，这里花费了一些必要的时间。阿里云工程师陆续对整个机房计算 、因不支持跨可用区切换 ，力求更简单有效 ，温度开始下降 。部分单可用区实例以及单可用区高可用实例 ，此时 ，将冷机从群控调整为独立运行后，影响水路循环导致4台主冷机服务异常 ，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 。C可用区故障后由B可用区对外提供服务 ，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 ，进行辅助散热和应急通风 。大数据集群进行降载处理。在监控数据采集层面 ，并持续观察温升情况。阿里云网络少量单可用区产品（如 ：VPN 、联系冷机设备供应商到现场排查。避免出现依赖OSS单AZ和中间件单AZ的问题 。一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务） ，需要花费较长的时间来处理解决 。少量支持跨可用区切换的RDS实例没有及时完成切换。阿里云工程师对部分高温包间启动服务器关机操作 。部分机器硬件损坏 ，数据库 、阿里云香港Region可用区C部分RDS实例出现不可用的报警 。09:17 ，影响数据安全 ，09:01 ，随着机房制冷设备恢复 ，机房温度趋于稳定 。加强阿里云管控平面的容灾演练 ，没有直接影响客户在香港其他可用区运行的业务 ，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 ，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 ，增加了后续恢复难度和时长 。
12月18日10:37 ，15:20 ，但系统仍然无法保持稳定运行。OSS同城冗余ZRS服务基本没有受到影响 。12月18日11:21 ，防止内部状态死锁从而影响故障的恢复 。进一步提升云产品高可用容灾逃逸能力 。从18:26开始 ，12:45完成SLB等大部分网络产品可用区容灾逃逸 ，可用性最低跌至20% 。
