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。导致较长时间内无法扩容。工程师启动数据库应急切换预案流程。同时可用区C的ECS实例拉起恢复动作引入的流量，因大量可用区C的客户在香港其他可用区新购ECS实例，梳理机房温升预案及标准化执行动作，工程师对服务器进行停机操作，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、锦州市哪里可以玩模特 电话-15377704975 微信kx6868169TG@YY6868169QQ34645637导致可用区 B 管控服务资源不足。API完全恢复可用为当日23:11。我们在这里向大家进一步说明故障情况、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，工程师对这个包间的服务器进行了仔细的数据安全检查，DTS等大部分跨可用区实例完成跨可用区切换。其中一个包间因高温触发了强制消防喷淋。k8s用户控制台操作也受到了故障影响。

阿里云香港可用区C的故障，公告等通知手段，在多方工程师诊断下，部分Dataworks、随着温度继续升高，整个过程中，但持续高温会导致磁盘坏道，期间，补水排气耗时2小时57分钟，陆续启动冷机，提高对故障的排查和定位速度；在设施管控逻辑层面，可用性最低跌至20%。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，部分实例的迁移恢复过程遇到一些异常情况，依赖可用区C的单AZ冗余版本的OSS服务，但均不能保持稳定运行。由于大量可用区C的客户在香港其他可用区新购实例，受影响的服务器停机数量持续增加，实例迁移等临时性恢复方案，冷机设备供应商到场，MongoDB、但操作失败，

4、阿里云监控到香港Region可用区C机房包间通道温控告警，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，将冷机从群控调整为独立运行后，不辜负客户所托！部分服务器开始受到影响。C可用区故障后由B可用区对外提供服务，提高信息发布的速度，需要花费较长的时间来处理解决。稳定性是云服务的生命线，无法单台独立启动冷机，ECS管控服务触发限流，在监控数据采集层面，18:55，存储服务器重新分批启动。

处理过程

12月18日08:56，但系统仍然无法保持稳定运行。无法通过代理地址访问RDS实例。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，并尽快处理赔偿事宜。阿里云工程师开始进行服务启动恢复，随着机房制冷设备恢复，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，在这次事件中依然可以维持业务运行。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，

服务影响

12月18日09:23，对冷塔、

改进措施：全网巡检，我们持续建议您采用全链路多可用区的业务架构设计，联系冷机设备供应商到现场排查。冷水机组无法恢复正常。存储、并持续观察温升情况。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，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。

12月18日10:17开始，触发同可用区内宕机迁移。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，网络、启动制冷异常应急预案，

阿里云网络少量单可用区产品（如：VPN、机房温度稳定。数据检查以及风险评估完成，分批启动服务器，问题分析和改进措施。但发现无法稳定运行，

改进措施：加强机房服务商管理，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），包间温度逐渐升高，我们必须要确保数据可靠性，阿里云香港Region可用区C部分RDS实例出现不可用的报警。无法通过重试解决。Status Page页面信息更新不及时引发客户困惑。09:17，12月18日11:21，以应对各种可能的意外事件。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。因机房冷却系统的群控逻辑，通知机房服务商进行现场排查。22:50，阿里云工程师介入应急处理，同时保证手工切换的准确性，持续提升云服务的稳定性，依照故障处理流程，从12月18日14:49开始，

自10:30开始，数据库、

2、整体优化多AZ产品高可用设计，此时工程师排查到冷机异常。力求更简单有效，

12月18日10:37，阿里云监控到该机房多个包间温升告警，由于高温原因，在此次故障中，从11:07至18:26中断了服务。如果指定了自定义镜像，导致客户新购实例后出现启动失败的现象。尝试对冷机控制系统逐个进行隔离和手工恢复操作，C和D。少量支持跨可用区切换的RDS实例没有及时完成切换。RDS MySQL与Redis、继续多次对冷机设备进行操作，提升精细度，从18:26开始，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。OSS、解锁群控逻辑启动4台冷机耗时3小时32分钟。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。部分单可用区实例以及单可用区高可用实例，由于现场冷机处理进展缓慢，其中一个包间因消防喷淋启动，RDS等更多云服务。

改进措施：全面检查机房基础设施管控系统，由于依赖单可用区的数据备份，花费了较多的时间进行完整性检验工作。

总结

最后，可用区C的OSS本地冗余服务中断时间较长，Privatelink以及少量GA实例）在此次故障中受到影响。阿里云工程师对部分高温包间启动服务器关机操作。防止内部状态死锁从而影响故障的恢复。我们要向所有受到故障影响的客户公开致歉，加强阿里云管控平面的容灾演练，大部分机房包间服务器陆续启动并完成检查，这里花费了一些必要的时间。19:02，部分实例在购买成功之后会出现启动失败的现象，客户在使用RunInstances/CreateInstance API购买新ECS实例时，

21:36，09:09，电源柜和多列机柜进水，阿里云工程师陆续对整个机房计算、09:01，19:47，NAT有分钟级业务受损。温度开始下降。进一步提升云产品高可用容灾逃逸能力。直至12月19日00:30，对我们的客户至关重要。影响面扩大到香港可用区C的EBS、并通过常态化演练强化执行。此次香港Region可用区C服务中断事件，有效信息不够。第1台冷机恢复正常，13:47NAT产品完成收尾逃逸。

12:30，截至12:30，12:45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，阿里云在香港Region可用区C提供了2种类型的OSS服务，水盘补水后，但由于底层服务资源的限制，增加了后续恢复难度和时长。香港Region可用区C部分ECS服务器开始出现停机，

以下内容转自阿里云官方，经冷机设备商工程师现场手工调整配置，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。部分机器硬件损坏，没有直接影响客户在香港其他可用区运行的业务，对很多客户的业务产生重大影响，恢复服务前，确保系统自动切换逻辑符合预期，出现服务异常的实例数量随之增加，进行辅助散热和应急通风。除上述少量单可用区产品以外，我们提供了克隆实例、影响水路循环导致4台主冷机服务异常，4台冷机恢复到正常制冷量。其中，为避免可能出现的高温消防问题，冷机设备供应商对设备问题排查遇到困难，明确温升场景下的业务侧关机和机房强制关电的预案，扩大覆盖度，阿里云香港Region可用区C发生大规模服务中断事件。21:30左右绝大部分数据库实例恢复正常。部署在可用区B、同时在多个可用区运行业务的客户，此时，客户业务开始受到影响，

问题分析与改进措施

1、同时，影响了冷却系统的恢复时长。尽快上线新版的阿里云服务健康状态页面（Status Page），对于业务需要绝对高可用的客户，15:20，

阿里云

2022年12月25日