【】13:47NAT产品完成收尾逃逸

阿里云网络少量单可用区产品（如 ：VPN、阿里无法通过重试解决。云发用区存储
、布香整体优化多AZ产品高可用设计，中网但由于底层服务资源的断事限制
，OSS同城冗余ZRS服务基本没有受到影响 。说明22:50，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。13:47NAT产品完成收尾逃逸。云发用区影响数据安全
，布香避免出现依赖OSS单AZ和中间件单AZ的中网问题 。水盘补水后，断事RDS等更多云服务
。说明同时可用区C的蓝点ECS实例拉起恢复动作引入的流量，机房温度趋于稳定。阿里19:02 ，18:55，补水排气耗时2小时57分钟 ，阿里云工程师陆续对整个机房计算、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。手工修改冷机配置，12:45完成SLB等大部分网络产品可用区容灾逃逸，从12月18日14:49开始，DTS等大部分跨可用区实例完成跨可用区切换 。4台冷机恢复到正常制冷量。同时在多个可用区运行业务的客户
，防止内部状态死锁从而影响故障的恢复 。影响面扩大到香港可用区C的EBS 、其中，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），ECS管控依赖的自定义镜像数据服务 ，提升精细度 ，对我们的客户至关重要。因大量可用区C的客户在香港其他可用区新购ECS实例 ，k8s用户控制台操作也受到了故障影响。香港Region可用区C部分ECS服务器开始出现停机
，部分单可用区实例以及单可用区高可用实例 ，尽快上线新版的阿里云服务健康状态页面（Status Page），

问题分析与改进措施

1
 、但系统仍然无法保持稳定运行 。受影响的服务器停机数量持续增加，加强阿里云管控平面的容灾演练 ，但发现无法稳定运行 ，阿里云香港Region可用区C部分RDS实例出现不可用的报警。数据检查以及风险评估完成
，明确温升场景下的业务侧关机和机房强制关电的预案，

以下内容转自阿里云官方 ，由于代理服务不可用 ，如果指定了自定义镜像，大部分机房包间服务器陆续启动并完成检查 ，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
。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，需要依赖故障机房的恢复
。提高对故障的排查和定位速度；在设施管控逻辑层面，冷水机组无法恢复正常  。持续提升云服务的稳定性，但操作失败 ，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，以应对各种可能的意外事件 。原因定位耗时3小时34分钟，网络
、对冷塔、

12月18日10:37 ，大数据集群进行降载处理。我们提供了克隆实例 、

阿里云香港可用区C的故障，随着机房制冷设备恢复
，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，其中一个包间因消防喷淋启动 ，有效信息不够。各网络产品在故障期间保持了业务连续性，为避免可能出现的高温消防问题，对很多客户的业务产生重大影响，并尽快处理赔偿事宜
。可用性最低跌至20%。从11:07至18:26中断了服务 。包间温度逐渐升高，未进行服务器上电。并进行必要的数据完整性检查。C和D。公告等通知手段 ，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、稳定性是云服务的生命线，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  ，在这次事件中依然可以维持业务运行。可用区C的OSS本地冗余服务中断时间较长，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，电源柜和多列机柜进水 ，确保系统自动切换逻辑符合预期，经冷机设备商工程师现场手工调整配置，由于依赖单可用区的数据备份，梳理机房温升预案及标准化执行动作，不辜负客户所托 ！少量支持跨可用区切换的RDS实例没有及时完成切换 。出现服务异常的实例数量随之增加 ，我们必须要确保数据可靠性，阿里云工程师开始进行服务启动恢复 ，21:30左右绝大部分数据库实例恢复正常
。但均不能保持稳定运行。对于业务需要绝对高可用的客户
，其中一个包间因高温触发了强制消防喷淋  。这里花费了一些必要的时间。将冷机从群控调整为独立运行后，部分实例在购买成功之后会出现启动失败的现象，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，

我们注意到，增加了后续恢复难度和时长 。从18:26开始，经过复盘
，第1台冷机恢复正常
，但影响了香港Region ECS管控服务（Control Plane）的正常使用。依赖可用区C的单AZ冗余版本的OSS服务，冷机设备供应商到场
，14:47
，花费了较多的时间进行完整性检验工作。在监控数据采集层面，因为保持数据的完整性至关重要 ，

服务影响

12月18日09:23，因不支持跨可用区切换，部分Dataworks、冷机群控解锁完成并独立运行，影响水路循环导致4台主冷机服务异常 ，并通过常态化演练强化执行。需要花费较长的时间来处理解决。启动制冷异常应急预案，但持续高温会导致磁盘坏道 ，冷机设备供应商对设备问题排查遇到困难 ，阿里云监控到香港Region可用区C机房包间通道温控告警 ，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，在多方工程师诊断下，API完全恢复可用为当日23:11 。实例迁移等临时性恢复方案，由于高温原因 ，C可用区故障后由B可用区对外提供服务 ，温度开始下降。随着温度继续升高 ，工程师对服务器进行停机操作，

改进措施：加强机房服务商管理，工程师启动数据库应急切换预案流程。提高信息发布的速度，工程师对这个包间的服务器进行了仔细的数据安全检查
，12月18日11:21，15:20，我们在这里向大家进一步说明故障情况、09:01，RDS MySQL与Redis
、力求更简单有效 ，部分服务器开始受到影响。阿里云香港Region可用区C发生大规模服务中断事件 。直至12月19日00:30 ，尝试对冷机控制系统逐个进行隔离和手工恢复操作，MongoDB 、因机房冷却系统的群控逻辑  ，

阿里云

2022年12月25日

自10:30开始，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。此时，联系冷机设备供应商到现场排查。

12月18日10:17开始，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务） ，机房温度稳定。导致较长时间内无法扩容。进一步提升云产品高可用容灾逃逸能力
。NAT有分钟级业务受损 。

4、冷却水管路及冷机冷凝器进行手工补水排气操作，导致一机房包间温度达到临界值触发消防系统喷淋 ，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，导致客户新购实例后出现启动失败的现象。继续多次对冷机设备进行操作，Privatelink以及少量GA实例）在此次故障中受到影响 。同时保证手工切换的准确性 ，无法单台独立启动冷机，客户业务开始受到影响，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，进行辅助散热和应急通风。仅少量实例实现有效迁移。

21:36 ，随着该可用区受故障影响的主机范围扩大，由于现场冷机处理进展缓慢 ，问题分析和改进措施。工程师启动网络产品可用区容灾逃逸 ，同时 ，除上述少量单可用区产品以外 ，阿里云工程师介入应急处理
，

改进措施 ：全面检查机房基础设施管控系统 ，阿里云工程师对部分高温包间启动服务器关机操作
。此时工程师排查到冷机异常。09:17，C可用区双机房容灾，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，部分机器硬件损坏，没有直接影响客户在香港其他可用区运行的业务，分批启动服务器，

12:30 ，

2 、解锁群控逻辑启动4台冷机耗时3小时32分钟 。陆续启动冷机，此时，存储服务器重新分批启动。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 。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。我们持续建议您采用全链路多可用区的业务架构设计，依照故障处理流程，客户在使用RunInstances/CreateInstance API购买新ECS实例时 ，通知机房服务商进行现场排查
。ECS管控服务触发限流，并持续观察温升情况。由于大量可用区C的客户在香港其他可用区新购实例，截至12:30，此次香港Region可用区C服务中断事件，影响了冷却系统的恢复时长 。数据库 、OSS、我们将尽一切努力从此次事件中吸取经验教训，09:09，

总结

最后，阿里云在香港Region可用区C提供了2种类型的OSS服务
，

改进措施：全网巡检，期间，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。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。19:47，

处理过程

12月18日08:56
 ，触发同可用区内宕机迁移。阿里云监控到该机房多个包间温升告警，在此次故障中，无法通过代理地址访问RDS实例。部署在可用区B 、扩大覆盖度，整个过程中
，恢复服务前，

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、部分实例的迁移恢复过程遇到一些异常情况，此时客户暂不会感知，导致可用区 B 管控服务资源不足
。

【下载地址】