布香件的 蓝断事点网阿里港R云发用区务中C服n可说明
改进措施：全网巡检，蓝点RDS等更多云服务 。阿里可用性最低跌至20%。云发用区
服务影响
12月18日09:23 ，布香
改进措施：提升故障影响和客户影响的中网快速评估和识别拉取能力 。其中 ，断事阿里云香港Region可用区C发生大规模服务中断事件 。说明对于业务需要绝对高可用的蓝点客户 ，提高信息发布的阿里速度，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 、但系统仍然无法保持稳定运行 。12:45完成SLB等大部分网络产品可用区容灾逃逸，
阿里云
2022年12月25日
部分实例的迁移恢复过程遇到一些异常情况 ，明确温升场景下的业务侧关机和机房强制关电的预案，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务） ，扩大覆盖度 ，总结
最后 ，期间，由于依赖单可用区的数据备份 ，22:50，19:47，没有直接影响客户在香港其他可用区运行的业务 ，我们持续建议您采用全链路多可用区的业务架构设计 ，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。
自10:30开始，其中一个包间因消防喷淋启动 ，并尽快处理赔偿事宜 。因大量可用区C的客户在香港其他可用区新购ECS实例 ，RDS MySQL与Redis 、但影响了香港Region ECS管控服务（Control Plane）的正常使用。出现服务异常的实例数量随之增加，但均不能保持稳定运行 。导致客户新购实例后出现启动失败的现象 。无法通过代理地址访问RDS实例。从11:07至18:26中断了服务 。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，陆续启动冷机 ，随着机房制冷设备恢复 ，Privatelink以及少量GA实例）在此次故障中受到影响 。
12月18日10:17开始 ，在这次事件中依然可以维持业务运行。通知机房服务商进行现场排查 。实例迁移等临时性恢复方案 ，影响水路循环导致4台主冷机服务异常 ，经冷机设备商工程师现场手工调整配置 ，DTS等大部分跨可用区实例完成跨可用区切换 。受影响的服务器停机数量持续增加 ，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 ，并通过常态化演练强化执行。冷却水管路及冷机冷凝器进行手工补水排气操作 ，但由于底层服务资源的限制 ，此时 ，15:20 ，18:55，确保系统自动切换逻辑符合预期，阿里云工程师开始进行服务启动恢复 ，有效信息不够。启动制冷异常应急预案 ，由于代理服务不可用 ，阿里云工程师对部分高温包间启动服务器关机操作 。部分服务器开始受到影响 。
以下内容转自阿里云官方 ，OSS 、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，4台冷机恢复到正常制冷量 。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、进行辅助散热和应急通风 。ECS管控服务触发限流，花费了较多的时间进行完整性检验工作 。恢复服务前，但持续高温会导致磁盘坏道，导致较长时间内无法扩容 。大数据集群进行降载处理 。防止内部状态死锁从而影响故障的恢复。阿里云在香港Region可用区C提供了2种类型的OSS服务 ，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 。此时客户暂不会感知，公告等通知手段 ，原因定位耗时3小时34分钟 ，对我们的客户至关重要 。数据检查以及风险评估完成 ，同时可用区C的ECS实例拉起恢复动作引入的流量 ，API完全恢复可用为当日23:11 。继续多次对冷机设备进行操作 ，尽快上线新版的阿里云服务健康状态页面（Status Page） ，
4 、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 。数据库 、阿里云监控到香港Region可用区C机房包间通道温控告警 ，k8s用户控制台操作也受到了故障影响。可用区C的OSS本地冗余服务中断时间较长，
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 、冷水机组无法恢复正常 。ECS管控依赖的自定义镜像数据服务 ，大部分机房包间服务器陆续启动并完成检查，因机房冷却系统的群控逻辑 ，力求更简单有效 ，依照故障处理流程 ，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 ，但发现无法稳定运行 ，21:30左右绝大部分数据库实例恢复正常 。在多方工程师诊断下 ，并持续观察温升情况。整个过程中 ，此时 ，冷机设备供应商对设备问题排查遇到困难 ，第1台冷机恢复正常 ，以应对各种可能的意外事件 。部分机器硬件损坏 ，C可用区双机房容灾 ，部分实例在购买成功之后会出现启动失败的现象 ，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。我们要向所有受到故障影响的客户公开致歉 ，部分单可用区实例以及单可用区高可用实例 ，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 。联系冷机设备供应商到现场排查 。直至12月19日00:30 ，从18:26开始，因为保持数据的完整性至关重要，
改进措施 ：加强机房服务商管理 ，OSS同城冗余ZRS服务基本没有受到影响 。需要花费较长的时间来处理解决 。C和D。我们必须要确保数据可靠性，
处理过程
12月18日08:56 ，09:17 ，香港Region可用区C部分ECS服务器开始出现停机，我们将尽一切努力从此次事件中吸取经验教训 ，工程师启动数据库应急切换预案流程 。为避免可能出现的高温消防问题 ，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 ，客户在使用RunInstances/CreateInstance API购买新ECS实例时 ，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 ，经过复盘，少量支持跨可用区切换的RDS实例没有及时完成切换 。触发同可用区内宕机迁移。阿里云工程师陆续对整个机房计算 、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 ，14:47 ，需要依赖故障机房的恢复 。整体优化多AZ产品高可用设计 ，同时 ，稳定性是云服务的生命线 ，阿里云监控到该机房多个包间温升告警 ，19:02 ，温度开始下降。梳理机房温升预案及标准化执行动作 ，阿里云工程师介入应急处理 ，存储服务器重新分批启动 。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 。09:09 ，仅少量实例实现有效迁移 。随着温度继续升高，阿里云香港Region可用区C部分RDS实例出现不可用的报警 。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 ，影响面扩大到香港可用区C的EBS、从12月18日14:49开始，问题分析和改进措施。13:47NAT产品完成收尾逃逸 。增加了后续恢复难度和时长 。
阿里云香港可用区C的故障，机房温度趋于稳定 。网络、无法通过重试解决。MongoDB 、冷机群控解锁完成并独立运行，依赖可用区C的单AZ冗余版本的OSS服务 ，电源柜和多列机柜进水 ，
21:36，
我们注意到 ，Status Page页面信息更新不及时引发客户困惑 。因不支持跨可用区切换 ，未进行服务器上电 。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10:37 ，在此次故障中 ，
问题分析与改进措施
1 、C可用区故障后由B可用区对外提供服务 ，对很多客户的业务产生重大影响 ，提升精细度 ，持续提升云服务的稳定性 ，我们在这里向大家进一步说明故障情况 、由于高温原因 ，分批启动服务器 ，机房温度稳定。提高对故障的排查和定位速度；在设施管控逻辑层面 ，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 ，影响数据安全 ，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 ，冷机设备供应商到场 ，导致可用区 B 管控服务资源不足。尝试对冷机控制系统逐个进行隔离和手工恢复操作，09:01 ，
2 、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），工程师启动网络产品可用区容灾逃逸 ，这里花费了一些必要的时间。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。同时在多个可用区运行业务的客户 ，此时工程师排查到冷机异常 。影响了冷却系统的恢复时长 。随着该可用区受故障影响的主机范围扩大 ，避免出现依赖OSS单AZ和中间件单AZ的问题 。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 。
阿里云网络少量单可用区产品（如 ：VPN 、无法单台独立启动冷机 ，
12:30 ，12月18日11:21 ，客户业务开始受到影响 ，工程师随后继续通过相同方法对其他冷机进行操作 。截至12:30 ，导致一机房包间温度达到临界值触发消防系统喷淋 ，存储 、水盘补水后 ，不辜负客户所托 ！将冷机从群控调整为独立运行后，补水排气耗时2小时57分钟 ，手工修改冷机配置，但操作失败，同时保证手工切换的准确性 ，各网络产品在故障期间保持了业务连续性 ，
改进措施 ：全面检查机房基础设施管控系统 ，部分Dataworks 、在监控数据采集层面 ，进一步提升云产品高可用容灾逃逸能力 。由于现场冷机处理进展缓慢 ，如果指定了自定义镜像，部署在可用区B 、此次香港Region可用区C服务中断事件 ，
