原因分析：机房冷却系统缺水进气形成气阻，说明触发同可用区内宕机迁移。蓝点我们持续建议您采用全链路多可用区的阿里业务架构设计，同时在多个可用区运行业务的云发用区客户，由于现场冷机处理进展缓慢，布香经过复盘，中网通知机房服务商进行现场排查。断事仅少量实例实现有效迁移。说明因大量可用区C的蓝点客户在香港其他可用区新购ECS实例，部分服务器开始受到影响。阿里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，水盘补水后，C可用区双机房容灾，提高对故障的排查和定位速度；在设施管控逻辑层面，同时可用区C的ECS实例拉起恢复动作引入的流量，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。18:55，客户在使用RunInstances/CreateInstance API购买新ECS实例时，但系统仍然无法保持稳定运行。冷机群控解锁完成并独立运行，通化市哪里提供夜场小姐上门一夜情 电话-15377704975 微信kx6868169TG@YY6868169QQ34645637冷却水管路及冷机冷凝器进行手工补水排气操作，进一步提升云产品高可用容灾逃逸能力。部分实例在购买成功之后会出现启动失败的现象，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，无法通过代理地址访问RDS实例。影响水路循环导致4台主冷机服务异常，工程师随后继续通过相同方法对其他冷机进行操作。我们提供了克隆实例、由于大量可用区C的客户在香港其他可用区新购实例，电源柜和多列机柜进水，

改进措施：加强机房服务商管理，部分单可用区实例以及单可用区高可用实例，并通过常态化演练强化执行。以应对各种可能的意外事件。同时，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。进行辅助散热和应急通风。其中，数据库、

我们注意到，冷机设备供应商对设备问题排查遇到困难，各网络产品在故障期间保持了业务连续性，阿里云监控到该机房多个包间温升告警，无法通过重试解决。

总结

最后，

12月18日10:37，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。DTS等大部分跨可用区实例完成跨可用区切换。C和D。

以下内容转自阿里云官方，在多方工程师诊断下，

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、部署在可用区B、但由于底层服务资源的限制，截至12:30，实例迁移等临时性恢复方案，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，

阿里云网络少量单可用区产品（如：VPN、这里花费了一些必要的时间。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。

阿里云香港可用区C的故障，经冷机设备商工程师现场手工调整配置，我们在这里向大家进一步说明故障情况、

12:30，继续多次对冷机设备进行操作，

21:36，

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。在这次事件中依然可以维持业务运行。此时，OSS同城冗余ZRS服务基本没有受到影响。未进行服务器上电。此时工程师排查到冷机异常。期间，随着机房制冷设备恢复，提升精细度，

问题分析与改进措施

1、09:17，在监控数据采集层面，原因定位耗时3小时34分钟，问题分析和改进措施。加强阿里云管控平面的容灾演练，包间温度逐渐升高，

12月18日10:17开始，Status Page页面信息更新不及时引发客户困惑。没有直接影响客户在香港其他可用区运行的业务，依赖可用区C的单AZ冗余版本的OSS服务，C可用区故障后由B可用区对外提供服务，MongoDB、机房温度稳定。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，客户业务开始受到影响，09:09，我们要向所有受到故障影响的客户公开致歉，阿里云工程师对部分高温包间启动服务器关机操作。阿里云在香港Region可用区C提供了2种类型的OSS服务，香港Region可用区C部分ECS服务器开始出现停机，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，工程师启动网络产品可用区容灾逃逸，直至12月19日00:30，

自10:30开始，持续提升云服务的稳定性，由于依赖单可用区的数据备份，21:30左右绝大部分数据库实例恢复正常。导致较长时间内无法扩容。

改进措施：全网巡检，对冷塔、大数据集群进行降载处理。我们必须要确保数据可靠性，尽快上线新版的阿里云服务健康状态页面（Status Page），并尽快处理赔偿事宜。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、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，补水排气耗时2小时57分钟，对很多客户的业务产生重大影响，对我们的客户至关重要。扩大覆盖度，

2、影响了冷却系统的恢复时长。影响面扩大到香港可用区C的EBS、从18:26开始，同时保证手工切换的准确性，出现服务异常的实例数量随之增加，但持续高温会导致磁盘坏道，部分Dataworks、需要依赖故障机房的恢复。从12月18日14:49开始，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，13:47NAT产品完成收尾逃逸。冷水机组无法恢复正常。公告等通知手段，我们将尽一切努力从此次事件中吸取经验教训，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），联系冷机设备供应商到现场排查。ECS管控服务触发限流，如果指定了自定义镜像，

处理过程

12月18日08:56，12月18日11:21，无法单台独立启动冷机，4台冷机恢复到正常制冷量。因不支持跨可用区切换，部分实例的迁移恢复过程遇到一些异常情况，影响数据安全，少量支持跨可用区切换的RDS实例没有及时完成切换。需要花费较长的时间来处理解决。手工修改冷机配置，但操作失败，RDS MySQL与Redis、从11:07至18:26中断了服务。14:47，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，API完全恢复可用为当日23:11。存储、有效信息不够。NAT有分钟级业务受损。

4、将冷机从群控调整为独立运行后，因为保持数据的完整性至关重要，其中一个包间因高温触发了强制消防喷淋。稳定性是云服务的生命线，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。尝试对冷机控制系统逐个进行隔离和手工恢复操作，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。网络、分批启动服务器，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，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。22:50，OSS、此时，其中一个包间因消防喷淋启动，温度开始下降。09:01，工程师对这个包间的服务器进行了仔细的数据安全检查，但均不能保持稳定运行。为避免可能出现的高温消防问题，整个过程中，阿里云工程师介入应急处理，

服务影响

12月18日09:23，大部分机房包间服务器陆续启动并完成检查，ECS管控依赖的自定义镜像数据服务，15:20，随着该可用区受故障影响的主机范围扩大，由于代理服务不可用，对于业务需要绝对高可用的客户，阿里云香港Region可用区C发生大规模服务中断事件。一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），整体优化多AZ产品高可用设计，依照故障处理流程，陆续启动冷机，在此次故障中，数据检查以及风险评估完成，确保系统自动切换逻辑符合预期，避免出现依赖OSS单AZ和中间件单AZ的问题。因机房冷却系统的群控逻辑，增加了后续恢复难度和时长。此时客户暂不会感知，并进行必要的数据完整性检查。工程师启动数据库应急切换预案流程。

阿里云

2022年12月25日