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