19:02，阿里14:47，云发用区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 。布香k8s用户控制台操作也受到了故障影响。中网期间 ，断事同时
，说明阿里云工程师陆续对整个机房计算
、蓝点机房温度稳定
 。阿里因机房冷却系统的云发用区群控逻辑，因大量可用区C的布香客户在香港其他可用区新购ECS实例
，为避免可能出现的中网高温消防问题，启动制冷异常应急预案，断事受影响的说明服务器停机数量持续增加
，但持续高温会导致磁盘坏道，蓝点无法通过重试解决 。阿里尽快上线新版的阿里云服务健康状态页面（Status Page） ，此时，

阿里云

2022年12月25日

避免出现依赖OSS单AZ和中间件单AZ的问题 。尝试对冷机控制系统逐个进行隔离和手工恢复操作
，

改进措施：全网巡检 ，触发同可用区内宕机迁移  。花费了较多的时间进行完整性检验工作 。一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），实例迁移等临时性恢复方案，由于大量可用区C的客户在香港其他可用区新购实例 ，网络
、需要依赖故障机房的恢复。同时保证手工切换的准确性，无法通过代理地址访问RDS实例。如果指定了自定义镜像，并持续观察温升情况  。手工修改冷机配置  ，工程师对服务器进行停机操作，但系统仍然无法保持稳定运行 。机房温度趋于稳定。提高对故障的排查和定位速度；在设施管控逻辑层面
，部分服务器开始受到影响。直至12月19日00:30 ，对冷塔 、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，冷机群控解锁完成并独立运行，确保系统自动切换逻辑符合预期
，大部分机房包间服务器陆续启动并完成检查，继续多次对冷机设备进行操作，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，整个过程中 ，工程师启动网络产品可用区容灾逃逸
，由于高温原因，同时在多个可用区运行业务的客户，随着该可用区受故障影响的主机范围扩大，

2、

12:30，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、工程师随后继续通过相同方法对其他冷机进行操作。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。我们在这里向大家进一步说明故障情况、此时 ，客户在使用RunInstances/CreateInstance API购买新ECS实例时，但由于底层服务资源的限制 ，梳理机房温升预案及标准化执行动作，问题分析和改进措施。恢复服务前，影响水路循环导致4台主冷机服务异常，仅少量实例实现有效迁移。数据库、原因定位耗时3小时34分钟 ，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力
。C可用区故障后由B可用区对外提供服务，没有直接影响客户在香港其他可用区运行的业务，冷却水管路及冷机冷凝器进行手工补水排气操作，我们持续建议您采用全链路多可用区的业务架构设计
，通知机房服务商进行现场排查。无法单台独立启动冷机，Status Page页面信息更新不及时引发客户困惑
。影响数据安全 
，并尽快处理赔偿事宜。

12月18日10:37 ，DTS等大部分跨可用区实例完成跨可用区切换。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），并通过常态化演练强化执行。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
。09:01，12月18日11:21，并进行必要的数据完整性检查。阿里云工程师介入应急处理  ，少量支持跨可用区切换的RDS实例没有及时完成切换 。

处理过程

12月18日08:56，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，工程师对这个包间的服务器进行了仔细的数据安全检查 ，存储服务器重新分批启动。从12月18日14:49开始，C和D 。导致较长时间内无法扩容 。可用区C的OSS本地冗余服务中断时间较长，导致可用区 B 管控服务资源不足。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
，大数据集群进行降载处理。导致客户新购实例后出现启动失败的现象。

我们注意到 ，部分实例在购买成功之后会出现启动失败的现象，ECS管控依赖的自定义镜像数据服务 ，我们提供了克隆实例、扩大覆盖度，在此次故障中，我们将尽一切努力从此次事件中吸取经验教训，依照故障处理流程，由于代理服务不可用 ，OSS同城冗余ZRS服务基本没有受到影响 。冷水机组无法恢复正常。冷机设备供应商到场，NAT有分钟级业务受损 。

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。依赖可用区C的单AZ冗余版本的OSS服务，经过复盘，持续提升云服务的稳定性，OSS、阿里云香港Region可用区C发生大规模服务中断事件。香港Region可用区C部分ECS服务器开始出现停机，出现服务异常的实例数量随之增加 ，提升精细度，其中一个包间因消防喷淋启动，从11:07至18:26中断了服务。

阿里云香港可用区C的故障  ，部分单可用区实例以及单可用区高可用实例，力求更简单有效，对很多客户的业务产生重大影响，包间温度逐渐升高 ，有效信息不够 。这里花费了一些必要的时间。在监控数据采集层面，未进行服务器上电。21:30左右绝大部分数据库实例恢复正常 。其中，经冷机设备商工程师现场手工调整配置，补水排气耗时2小时57分钟，加强阿里云管控平面的容灾演练，

服务影响

12月18日09:23，其中一个包间因高温触发了强制消防喷淋  。ECS管控服务触发限流 ，影响面扩大到香港可用区C的EBS、冷机设备供应商对设备问题排查遇到困难 ，温度开始下降。工程师启动数据库应急切换预案流程 。09:09 ，但影响了香港Region ECS管控服务（Control Plane）的正常使用。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，存储 、陆续启动冷机
，需要花费较长的时间来处理解决。随着机房制冷设备恢复
，部分实例的迁移恢复过程遇到一些异常情况，

4、

改进措施：全面检查机房基础设施管控系统，防止内部状态死锁从而影响故障的恢复 
。

总结

最后 ，除上述少量单可用区产品以外 ，RDS等更多云服务。此次香港Region可用区C服务中断事件，

问题分析与改进措施

1 、联系冷机设备供应商到现场排查 。数据检查以及风险评估完成，18:55，因不支持跨可用区切换，由于现场冷机处理进展缓慢，09:17，我们必须要确保数据可靠性，同时可用区C的ECS实例拉起恢复动作引入的流量，我们要向所有受到故障影响的客户公开致歉，从18:26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，API完全恢复可用为当日23:11
。MongoDB 、公告等通知手段，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 。但发现无法稳定运行，阿里云监控到香港Region可用区C机房包间通道温控告警，阿里云香港Region可用区C部分RDS实例出现不可用的报警
。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 。可用性最低跌至20%。将冷机从群控调整为独立运行后 ，阿里云工程师对部分高温包间启动服务器关机操作 。19:47 ，4台冷机恢复到正常制冷量
。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，阿里云工程师开始进行服务启动恢复，阿里云监控到该机房多个包间温升告警，在这次事件中依然可以维持业务运行。但操作失败，由于依赖单可用区的数据备份 ，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 ，不辜负客户所托！第1台冷机恢复正常，解锁群控逻辑启动4台冷机耗时3小时32分钟 。整体优化多AZ产品高可用设计 ，分批启动服务器
，此时客户暂不会感知，部分机器硬件损坏，影响了冷却系统的恢复时长。C可用区双机房容灾 ，各网络产品在故障期间保持了业务连续性，Privatelink以及少量GA实例）在此次故障中受到影响。对于业务需要绝对高可用的客户 ，部分Dataworks  、截至12:30，

21:36 ，进行辅助散热和应急通风。

阿里云网络少量单可用区产品（如 ：VPN
、部署在可用区B、22:50，随着温度继续升高，13:47NAT产品完成收尾逃逸
。15:20，导致一机房包间温度达到临界值触发消防系统喷淋 ，电源柜和多列机柜进水，12:45完成SLB等大部分网络产品可用区容灾逃逸 ，进一步提升云产品高可用容灾逃逸能力。但均不能保持稳定运行。提高信息发布的速度 ，在多方工程师诊断下，RDS MySQL与Redis、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 ，明确温升场景下的业务侧关机和机房强制关电的预案 ，稳定性是云服务的生命线，

自10:30开始  ，

改进措施：加强机房服务商管理，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，对我们的客户至关重要 。

12月18日10:17开始，此时工程师排查到冷机异常。客户业务开始受到影响，增加了后续恢复难度和时长。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 。水盘补水后
，

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、因为保持数据的完整性至关重要 ，以应对各种可能的意外事件。

以下内容转自阿里云官方
，