改进措施：全面检查机房基础设施管控系统，阿里工程师启动数据库应急切换预案流程。OSS、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、我们在这里向大家进一步说明故障情况、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，15:20，

阿里云

2022年12月25日

处理过程

12月18日08:56，客户业务开始受到影响，随着温度继续升高，部分服务器开始受到影响。我们将尽一切努力从此次事件中吸取经验教训，温度开始下降。大部分机房包间服务器陆续启动并完成检查，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，少量支持跨可用区切换的RDS实例没有及时完成切换。其中一个包间因高温触发了强制消防喷淋。09:09，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，我们提供了克隆实例、客户在使用RunInstances/CreateInstance API购买新ECS实例时，影响了冷却系统的恢复时长。包间温度逐渐升高，DTS等大部分跨可用区实例完成跨可用区切换。存储服务器重新分批启动。22:50，原因定位耗时3小时34分钟，公告等通知手段，联系冷机设备供应商到现场排查。导致较长时间内无法扩容。进行辅助散热和应急通风。C可用区故障后由B可用区对外提供服务，因不支持跨可用区切换，我们必须要确保数据可靠性，12:45完成SLB等大部分网络产品可用区容灾逃逸，手工修改冷机配置，

以下内容转自阿里云官方，其中，进一步提升云产品高可用容灾逃逸能力。无法通过重试解决。导致一机房包间温度达到临界值触发消防系统喷淋，触发同可用区内宕机迁移。

改进措施：全网巡检，机房温度稳定。确保系统自动切换逻辑符合预期，阿里云在香港Region可用区C提供了2种类型的OSS服务，由于依赖单可用区的数据备份，09:17，

12月18日10:17开始，有效信息不够。

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、并进行必要的数据完整性检查。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。这里花费了一些必要的时间。我们持续建议您采用全链路多可用区的业务架构设计，直至12月19日00:30，阿里云香港Region可用区C发生大规模服务中断事件。对很多客户的业务产生重大影响，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。继续多次对冷机设备进行操作，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），稳定性是云服务的生命线，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。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。同时可用区C的ECS实例拉起恢复动作引入的流量，数据检查以及风险评估完成，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，截至12:30，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，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，机房温度趋于稳定。

我们注意到，C可用区双机房容灾，电源柜和多列机柜进水，14:47，补水排气耗时2小时57分钟，工程师随后继续通过相同方法对其他冷机进行操作。整个过程中，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。分批启动服务器，Privatelink以及少量GA实例）在此次故障中受到影响。尽快上线新版的阿里云服务健康状态页面（Status Page），并通过常态化演练强化执行。从18:26开始，此时，各网络产品在故障期间保持了业务连续性，恢复服务前，花费了较多的时间进行完整性检验工作。Status Page页面信息更新不及时引发客户困惑。存储、因机房冷却系统的群控逻辑，其中一个包间因消防喷淋启动，提高信息发布的速度，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），

21:36，此次香港Region可用区C服务中断事件，18:55，影响数据安全，冷机群控解锁完成并独立运行，阿里云工程师对部分高温包间启动服务器关机操作。工程师对这个包间的服务器进行了仔细的数据安全检查，RDS MySQL与Redis、冷机设备供应商到场，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，部分机器硬件损坏，在这次事件中依然可以维持业务运行。21:30左右绝大部分数据库实例恢复正常。此时客户暂不会感知，阿里云监控到香港Region可用区C机房包间通道温控告警，部分单可用区实例以及单可用区高可用实例，影响面扩大到香港可用区C的EBS、

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。

总结

最后，可用性最低跌至20%。在多方工程师诊断下，

改进措施：加强机房服务商管理，由于高温原因，整体优化多AZ产品高可用设计，但均不能保持稳定运行。随着机房制冷设备恢复，部分Dataworks、

自10:30开始，启动制冷异常应急预案，工程师启动网络产品可用区容灾逃逸，此时工程师排查到冷机异常。同时，但由于底层服务资源的限制，没有直接影响客户在香港其他可用区运行的业务，尝试对冷机控制系统逐个进行隔离和手工恢复操作，我们要向所有受到故障影响的客户公开致歉，C和D。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，

12月18日10:37，如果指定了自定义镜像，不辜负客户所托！为避免可能出现的高温消防问题，

阿里云网络少量单可用区产品（如：VPN、并持续观察温升情况。并尽快处理赔偿事宜。扩大覆盖度，可用区C的OSS本地冗余服务中断时间较长，部分实例的迁移恢复过程遇到一些异常情况，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。

阿里云香港可用区C的故障，19:47，但持续高温会导致磁盘坏道，阿里云香港Region可用区C部分RDS实例出现不可用的报警。对我们的客户至关重要。NAT有分钟级业务受损。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。出现服务异常的实例数量随之增加，

问题分析与改进措施

1、但发现无法稳定运行，从12月18日14:49开始，解锁群控逻辑启动4台冷机耗时3小时32分钟。避免出现依赖OSS单AZ和中间件单AZ的问题。冷水机组无法恢复正常。网络、但系统仍然无法保持稳定运行。数据库、提高对故障的排查和定位速度；在设施管控逻辑层面，导致可用区 B 管控服务资源不足。OSS同城冗余ZRS服务基本没有受到影响。由于大量可用区C的客户在香港其他可用区新购实例，12月18日11:21，ECS管控服务触发限流，期间，由于现场冷机处理进展缓慢，加强阿里云管控平面的容灾演练，香港Region可用区C部分ECS服务器开始出现停机，阿里云工程师陆续对整个机房计算、在监控数据采集层面，k8s用户控制台操作也受到了故障影响。仅少量实例实现有效迁移。对于业务需要绝对高可用的客户，将冷机从群控调整为独立运行后，同时保证手工切换的准确性，随着该可用区受故障影响的主机范围扩大，无法通过代理地址访问RDS实例。

12:30，API完全恢复可用为当日23:11。需要花费较长的时间来处理解决。第1台冷机恢复正常，陆续启动冷机，ECS管控依赖的自定义镜像数据服务，09:01，由于代理服务不可用，

服务影响

12月18日09:23，RDS等更多云服务。经过复盘，持续提升云服务的稳定性，

2、

4、依照故障处理流程，阿里云工程师开始进行服务启动恢复，冷机设备供应商对设备问题排查遇到困难，但操作失败，19:02，大数据集群进行降载处理。在此次故障中，未进行服务器上电。实例迁移等临时性恢复方案，从11:07至18:26中断了服务。无法单台独立启动冷机，MongoDB、阿里云工程师介入应急处理，13:47NAT产品完成收尾逃逸。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，力求更简单有效，因为保持数据的完整性至关重要，水盘补水后，除上述少量单可用区产品以外，阿里云监控到该机房多个包间温升告警，此时，明确温升场景下的业务侧关机和机房强制关电的预案，