布香断事点网务中n可 蓝件的说明云发用区阿里港RC服

12月18日10:37
，阿里

阿里云网络少量单可用区产品（如：VPN、云发用区存储服务器重新分批启动
。布香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、中网21:30左右绝大部分数据库实例恢复正常 。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19:47 ，蓝点无法单台独立启动冷机，阿里这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。云发用区大部分机房包间服务器陆续启动并完成检查，布香影响了冷却系统的中网恢复时长。OSS
、断事将冷机从群控调整为独立运行后，说明阿里云香港Region可用区C部分RDS实例出现不可用的蓝点报警。12月18日11:21 ，阿里

21:36，不辜负客户所托 ！

4、大数据集群进行降载处理。此时工程师排查到冷机异常。没有直接影响客户在香港其他可用区运行的业务 ，部分Dataworks 、原因定位耗时3小时34分钟 ，

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。

改进措施：加强机房服务商管理，

服务影响

12月18日09:23，因为保持数据的完整性至关重要，冷却水管路及冷机冷凝器进行手工补水排气操作 ，同时保证手工切换的准确性，

2、对很多客户的业务产生重大影响，对我们的客户至关重要。

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、出现服务异常的实例数量随之增加，工程师随后继续通过相同方法对其他冷机进行操作。并通过常态化演练强化执行。在这次事件中依然可以维持业务运行。Privatelink以及少量GA实例）在此次故障中受到影响
 。其中一个包间因高温触发了强制消防喷淋。冷机群控解锁完成并独立运行，C可用区故障后由B可用区对外提供服务，可用区C的OSS本地冗余服务中断时间较长，第1台冷机恢复正常 ，18:55，从18:26开始，导致客户新购实例后出现启动失败的现象。触发同可用区内宕机迁移。

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 。这里花费了一些必要的时间 。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 ，工程师启动网络产品可用区容灾逃逸，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  ，C和D 。温度开始下降。客户业务开始受到影响，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，但操作失败，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。随着机房制冷设备恢复，导致可用区 B 管控服务资源不足 
。

自10:30开始，14:47 
，加强阿里云管控平面的容灾演练，随着温度继续升高 ，

12月18日10:17开始 ，其中一个包间因消防喷淋启动，尽快上线新版的阿里云服务健康状态页面（Status Page） ，无法通过代理地址访问RDS实例 。此时客户暂不会感知，包间温度逐渐升高，提升精细度 ，我们必须要确保数据可靠性，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）
 ，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，Status Page页面信息更新不及时引发客户困惑。在此次故障中  ，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。冷水机组无法恢复正常。机房温度稳定。因大量可用区C的客户在香港其他可用区新购ECS实例，但持续高温会导致磁盘坏道
，同时可用区C的ECS实例拉起恢复动作引入的流量 ，13:47NAT产品完成收尾逃逸。部分实例的迁移恢复过程遇到一些异常情况，19:02 ，依照故障处理流程 ，联系冷机设备供应商到现场排查。可用性最低跌至20%。部分实例在购买成功之后会出现启动失败的现象，冷机设备供应商到场 ，C可用区双机房容灾
，香港Region可用区C部分ECS服务器开始出现停机，MongoDB、其中，各网络产品在故障期间保持了业务连续性，整体优化多AZ产品高可用设计 ，水盘补水后  ，导致较长时间内无法扩容。影响数据安全，扩大覆盖度，增加了后续恢复难度和时长 。存储、在多方工程师诊断下，15:20，随着该可用区受故障影响的主机范围扩大，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
，部分单可用区实例以及单可用区高可用实例 ，我们持续建议您采用全链路多可用区的业务架构设计，力求更简单有效，09:01
，此时，实例迁移等临时性恢复方案，工程师对服务器进行停机操作 ，除上述少量单可用区产品以外
，12:45完成SLB等大部分网络产品可用区容灾逃逸 ，阿里云监控到该机房多个包间温升告警，

总结

最后 ，对冷塔、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 ，

改进措施 ：全网巡检，对于业务需要绝对高可用的客户  ，明确温升场景下的业务侧关机和机房强制关电的预案，但影响了香港Region ECS管控服务（Control Plane）的正常使用 。因不支持跨可用区切换，OSS同城冗余ZRS服务基本没有受到影响。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 ，未进行服务器上电。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，k8s用户控制台操作也受到了故障影响。少量支持跨可用区切换的RDS实例没有及时完成切换。

我们注意到 ，截至12:30，由于依赖单可用区的数据备份 ，

阿里云香港可用区C的故障
 ，并尽快处理赔偿事宜。22:50，以应对各种可能的意外事件。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。但系统仍然无法保持稳定运行 。需要依赖故障机房的恢复。ECS管控服务触发限流，并持续观察温升情况 。确保系统自动切换逻辑符合预期 ，直至12月19日00:30，继续多次对冷机设备进行操作 ，由于大量可用区C的客户在香港其他可用区新购实例 ，影响面扩大到香港可用区C的EBS、API完全恢复可用为当日23:11。数据库、冷机设备供应商对设备问题排查遇到困难
，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
，经冷机设备商工程师现场手工调整配置
，避免出现依赖OSS单AZ和中间件单AZ的问题。

阿里云

2022年12月25日

机房温度趋于稳定
。持续提升云服务的稳定性 ，由于高温原因
，分批启动服务器，并进行必要的数据完整性检查。但发现无法稳定运行
，客户在使用RunInstances/CreateInstance API购买新ECS实例时，此次香港Region可用区C服务中断事件 ，4台冷机恢复到正常制冷量。我们提供了克隆实例 、同时在多个可用区运行业务的客户 ，仅少量实例实现有效迁移。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，阿里云工程师对部分高温包间启动服务器关机操作
。提高对故障的排查和定位速度；在设施管控逻辑层面 ，但均不能保持稳定运行
。花费了较多的时间进行完整性检验工作。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。由于现场冷机处理进展缓慢
，我们要向所有受到故障影响的客户公开致歉，部分服务器开始受到影响
 。ECS管控依赖的自定义镜像数据服务 ，稳定性是云服务的生命线，

问题分析与改进措施

1、由于代理服务不可用 ，网络
、提高信息发布的速度，尝试对冷机控制系统逐个进行隔离和手工恢复操作 ，梳理机房温升预案及标准化执行动作，部署在可用区B、从11:07至18:26中断了服务。我们将尽一切努力从此次事件中吸取经验教训
，此时 ，恢复服务前，解锁群控逻辑启动4台冷机耗时3小时32分钟。

12:30，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 。RDS等更多云服务。阿里云工程师介入应急处理
，工程师启动数据库应急切换预案流程。无法通过重试解决
。防止内部状态死锁从而影响故障的恢复
。如果指定了自定义镜像，进一步提升云产品高可用容灾逃逸能力。为避免可能出现的高温消防问题，整个过程中
，阿里云工程师陆续对整个机房计算
、NAT有分钟级业务受损
。数据检查以及风险评估完成，影响水路循环导致4台主冷机服务异常，问题分析和改进措施。部分机器硬件损坏，补水排气耗时2小时57分钟，

处理过程

12月18日08:56，09:17 ，我们在这里向大家进一步说明故障情况
、需要花费较长的时间来处理解决。进行辅助散热和应急通风。DTS等大部分跨可用区实例完成跨可用区切换 。有效信息不够。陆续启动冷机，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，

以下内容转自阿里云官方，从12月18日14:49开始，导致一机房包间温度达到临界值触发消防系统喷淋 ，同时，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，依赖可用区C的单AZ冗余版本的OSS服务 ，09:09 ，电源柜和多列机柜进水，公告等通知手段 ，阿里云工程师开始进行服务启动恢复，因机房冷却系统的群控逻辑，但由于底层服务资源的限制 ，期间 ，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），阿里云在香港Region可用区C提供了2种类型的OSS服务 ，RDS MySQL与Redis、工程师对这个包间的服务器进行了仔细的数据安全检查
，受影响的服务器停机数量持续增加 ，手工修改冷机配置
，启动制冷异常应急预案，