阿里云香港Region可用区C发生大规模服务中断事件
。阿里大数据集群进行降载处理。云发用区公告等通知手段，布香C和D。中网

自10:30开始
 ，断事影响了冷却系统的说明恢复时长 。机房温度稳定。蓝点RDS MySQL与Redis 、阿里C可用区双机房容灾，云发用区提高对故障的布香排查和定位速度；在设施管控逻辑层面，

12月18日10:37，中网阿里云香港Region可用区C部分RDS实例出现不可用的断事报警。让客户可以更便捷地了解故障事件对各类产品服务的说明影响。我们在这里向大家进一步说明故障情况 、蓝点各网络产品在故障期间保持了业务连续性，阿里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、

改进措施：加强机房服务商管理，无法通过代理地址访问RDS实例 。API完全恢复可用为当日23:11。通知机房服务商进行现场排查 。ECS管控服务触发限流 ，因大量可用区C的客户在香港其他可用区新购ECS实例 ，导致客户新购实例后出现启动失败的现象 。启动制冷异常应急预案
，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。此次香港Region可用区C服务中断事件，但发现无法稳定运行 ，

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
。

阿里云

2022年12月25日

手工修改冷机配置，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，影响数据安全，工程师对服务器进行停机操作，客户在使用RunInstances/CreateInstance API购买新ECS实例时，为避免可能出现的高温消防问题 ，并持续观察温升情况。陆续启动冷机，实例迁移等临时性恢复方案 ，增加了后续恢复难度和时长。阿里云工程师介入应急处理
，同时 ，此时 ，梳理机房温升预案及标准化执行动作，部分实例的迁移恢复过程遇到一些异常情况
，工程师对这个包间的服务器进行了仔细的数据安全检查，09:01，18:55 ，随着机房制冷设备恢复，对我们的客户至关重要。并通过常态化演练强化执行。提高信息发布的速度，将冷机从群控调整为独立运行后 ，这里花费了一些必要的时间。尽快上线新版的阿里云服务健康状态页面（Status Page），从12月18日14:49开始，

12:30，少量支持跨可用区切换的RDS实例没有及时完成切换。影响面扩大到香港可用区C的EBS、期间，MongoDB、09:09，部署在可用区B、

12月18日10:17开始，在这次事件中依然可以维持业务运行
。整个过程中 ，如果指定了自定义镜像，15:20，受影响的服务器停机数量持续增加
，力求更简单有效，花费了较多的时间进行完整性检验工作
。恢复服务前，我们必须要确保数据可靠性 ，避免出现依赖OSS单AZ和中间件单AZ的问题。从18:26开始，此时工程师排查到冷机异常  。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。同时保证手工切换的准确性，并尽快处理赔偿事宜 。由于依赖单可用区的数据备份，尝试对冷机控制系统逐个进行隔离和手工恢复操作，部分单可用区实例以及单可用区高可用实例
，由于代理服务不可用
，电源柜和多列机柜进水，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，触发同可用区内宕机迁移。由于现场冷机处理进展缓慢 ，21:30左右绝大部分数据库实例恢复正常。可用区C的OSS本地冗余服务中断时间较长，直至12月19日00:30，存储、RDS等更多云服务 。导致较长时间内无法扩容
。

改进措施：全面检查机房基础设施管控系统，但影响了香港Region ECS管控服务（Control Plane）的正常使用。DTS等大部分跨可用区实例完成跨可用区切换。12月18日11:21，其中，C可用区故障后由B可用区对外提供服务 ，阿里云监控到该机房多个包间温升告警 ，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。工程师随后继续通过相同方法对其他冷机进行操作。大部分机房包间服务器陆续启动并完成检查，网络、不辜负客户所托 ！工程师启动数据库应急切换预案流程。k8s用户控制台操作也受到了故障影响。客户业务开始受到影响，

阿里云网络少量单可用区产品（如 ：VPN、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。此时，19:47 ，12:45完成SLB等大部分网络产品可用区容灾逃逸 ，我们持续建议您采用全链路多可用区的业务架构设计，14:47，4台冷机恢复到正常制冷量 。仅少量实例实现有效迁移。部分服务器开始受到影响 。

服务影响

12月18日09:23，以应对各种可能的意外事件。因为保持数据的完整性至关重要 ，随着温度继续升高，提升精细度 ，

总结

最后，

改进措施：全网巡检，经冷机设备商工程师现场手工调整配置，我们提供了克隆实例 、我们将尽一切努力从此次事件中吸取经验教训，但持续高温会导致磁盘坏道，需要花费较长的时间来处理解决。

2 、

4 、在监控数据采集层面，加强阿里云管控平面的容灾演练，但均不能保持稳定运行。阿里云在香港Region可用区C提供了2种类型的OSS服务，分批启动服务器，继续多次对冷机设备进行操作
 ，在多方工程师诊断下，未进行服务器上电。19:02，没有直接影响客户在香港其他可用区运行的业务
，对冷塔、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 ，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，截至12:30
，但由于底层服务资源的限制
，温度开始下降。持续提升云服务的稳定性
，同时可用区C的ECS实例拉起恢复动作引入的流量 ，

处理过程

12月18日08:56，因不支持跨可用区切换
，经过复盘
，无法通过重试解决。包间温度逐渐升高  ，由于大量可用区C的客户在香港其他可用区新购实例 ，依照故障处理流程 ，22:50，但系统仍然无法保持稳定运行。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 ，其中一个包间因消防喷淋启动，机房温度趋于稳定 。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 ，但操作失败，对很多客户的业务产生重大影响，整体优化多AZ产品高可用设计 ，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Dataworks、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
，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 ，13:47NAT产品完成收尾逃逸
。扩大覆盖度，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），导致可用区 B 管控服务资源不足 。防止内部状态死锁从而影响故障的恢复。此时客户暂不会感知 ，工程师启动网络产品可用区容灾逃逸，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 。随着该可用区受故障影响的主机范围扩大，导致一机房包间温度达到临界值触发消防系统喷淋
 ，冷水机组无法恢复正常 。确保系统自动切换逻辑符合预期 ，存储服务器重新分批启动。

21:36 ，阿里云工程师开始进行服务启动恢复，无法单台独立启动冷机，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，对于业务需要绝对高可用的客户，原因定位耗时3小时34分钟
，部分机器硬件损坏
，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 。OSS 、稳定性是云服务的生命线，进一步提升云产品高可用容灾逃逸能力。除上述少量单可用区产品以外，有效信息不够 。Status Page页面信息更新不及时引发客户困惑。这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。需要依赖故障机房的恢复。

问题分析与改进措施

1 、阿里云工程师陆续对整个机房计算 、补水排气耗时2小时57分钟，冷却水管路及冷机冷凝器进行手工补水排气操作，水盘补水后，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，香港Region可用区C部分ECS服务器开始出现停机 ，

阿里云香港可用区C的故障 ，明确温升场景下的业务侧关机和机房强制关电的预案，同时在多个可用区运行业务的客户，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
。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  ，OSS同城冗余ZRS服务基本没有受到影响。从11:07至18:26中断了服务
。

我们注意到，其中一个包间因高温触发了强制消防喷淋。并进行必要的数据完整性检查 。进行辅助散热和应急通风 。NAT有分钟级业务受损。第1台冷机恢复正常，数据库、冷机设备供应商对设备问题排查遇到困难
，依赖可用区C的单AZ冗余版本的OSS服务，我们要向所有受到故障影响的客户公开致歉，因机房冷却系统的群控逻辑，

以下内容转自阿里云官方
，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 ，阿里云监控到香港Region可用区C机房包间通道温控告警，09:17，问题分析和改进措施。解锁群控逻辑启动4台冷机耗时3小时32分钟。Privatelink以及少量GA实例）在此次故障中受到影响
。在此次故障中
，可用性最低跌至20%。由于高温原因
，

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 、