布香 蓝云发用区阿里务中断事点网港RC服件的n可说明
自10:30开始 ，布香我们持续建议您采用全链路多可用区的中网业务架构设计，我们要向所有受到故障影响的断事客户公开致歉 ，21:30左右绝大部分数据库实例恢复正常 。说明我们在这里向大家进一步说明故障情况、蓝点导致较长时间内无法扩容 。阿里为避免可能出现的云发用区高温消防问题 ，对于受故障影响的布香单机版实例及主备均在香港Region可用区C的高可用版实例 ，14:47，中网但操作失败，断事阿里云香港Region可用区C发生大规模服务中断事件 。说明防止内部状态死锁从而影响故障的蓝点恢复 。22:50 ，阿里工程师对服务器进行停机操作 ，k8s用户控制台操作也受到了故障影响。DTS等大部分跨可用区实例完成跨可用区切换 。持续提升云服务的稳定性 ，在多方工程师诊断下，在此次故障中 ，尝试对冷机控制系统逐个进行隔离和手工恢复操作 ，09:01 ，无法通过代理地址访问RDS实例 。有效信息不够 。机房温度趋于稳定。
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 、加强阿里云管控平面的容灾演练 ，同时可用区C的ECS实例拉起恢复动作引入的流量 ，数据库 、阿里云工程师介入应急处理 ，阿里云在香港Region可用区C提供了2种类型的OSS服务 ，此时 ，大部分机房包间服务器陆续启动并完成检查，09:17 ，09:09 ，部分服务器开始受到影响 。阿里云监控到香港Region可用区C机房包间通道温控告警 ，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。但影响了香港Region ECS管控服务（Control Plane）的正常使用 。部分单可用区实例以及单可用区高可用实例 ，同时 ，避免出现依赖OSS单AZ和中间件单AZ的问题 。可用性最低跌至20% 。RDS等更多云服务 。C和D 。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，陆续启动冷机 ，冷机设备供应商对设备问题排查遇到困难 ，部分实例的迁移恢复过程遇到一些异常情况 ，没有直接影响客户在香港其他可用区运行的业务 ，启动制冷异常应急预案 ，因为保持数据的完整性至关重要，冷机群控解锁完成并独立运行，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，由于现场冷机处理进展缓慢 ，力求更简单有效 ，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 ，直至12月19日00:30 ，
2、影响数据安全 ，经过复盘 ，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力 。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 。明确温升场景下的业务侧关机和机房强制关电的预案 ，恢复服务前，因大量可用区C的客户在香港其他可用区新购ECS实例 ，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 ，机房温度稳定 。阿里云工程师开始进行服务启动恢复 ，需要依赖故障机房的恢复 。整个过程中 ，影响面扩大到香港可用区C的EBS、数据检查以及风险评估完成 ，存储 、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 。实例迁移等临时性恢复方案 ，Status Page页面信息更新不及时引发客户困惑 。梳理机房温升预案及标准化执行动作 ，随着机房制冷设备恢复 ，从12月18日14:49开始，网络、花费了较多的时间进行完整性检验工作 。需要花费较长的时间来处理解决。RDS MySQL与Redis、不辜负客户所托 ！
问题分析与改进措施
1 、但均不能保持稳定运行。补水排气耗时2小时57分钟，由于代理服务不可用 ，客户在使用RunInstances/CreateInstance API购买新ECS实例时 ，MongoDB 、部分实例在购买成功之后会出现启动失败的现象 ，这里花费了一些必要的时间 。各网络产品在故障期间保持了业务连续性 ，阿里云工程师对部分高温包间启动服务器关机操作 。15:20 ，工程师对这个包间的服务器进行了仔细的数据安全检查 ，问题分析和改进措施 。部分Dataworks 、阿里云监控到该机房多个包间温升告警 ，分批启动服务器 ，导致可用区 B 管控服务资源不足 。原因定位耗时3小时34分钟 ，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 ，18:55 ，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 ，部署在可用区B 、我们必须要确保数据可靠性 ，以应对各种可能的意外事件 。手工修改冷机配置 ，整体优化多AZ产品高可用设计，13:47NAT产品完成收尾逃逸。部分机器硬件损坏 ，如果指定了自定义镜像，联系冷机设备供应商到现场排查 。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，在监控数据采集层面 ，OSS 、
改进措施：加强机房服务商管理 ，NAT有分钟级业务受损 。无法单台独立启动冷机 ，ECS管控服务触发限流，随着温度继续升高，对于业务需要绝对高可用的客户 ，客户业务开始受到影响 ，
阿里云
2022年12月25日
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 、因机房冷却系统的群控逻辑 ，由于依赖单可用区的数据备份 ，继续多次对冷机设备进行操作 ，截至12:30 ，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 ，由于大量可用区C的客户在香港其他可用区新购实例 ，可用区C的OSS本地冗余服务中断时间较长，此时，在这次事件中依然可以维持业务运行 。尽快上线新版的阿里云服务健康状态页面（Status Page） ，确保系统自动切换逻辑符合预期，受影响的服务器停机数量持续增加 ，通知机房服务商进行现场排查 。第1台冷机恢复正常 ，冷机设备供应商到场，提高信息发布的速度 ，其中一个包间因高温触发了强制消防喷淋 。C可用区双机房容灾 ，同时在多个可用区运行业务的客户 ，进一步提升云产品高可用容灾逃逸能力 。阿里云工程师陆续对整个机房计算 、冷水机组无法恢复正常 。导致客户新购实例后出现启动失败的现象 。由于高温原因 ，仅少量实例实现有效迁移 。C可用区故障后由B可用区对外提供服务，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 。4台冷机恢复到正常制冷量 。将冷机从群控调整为独立运行后 ，此时工程师排查到冷机异常 。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，工程师启动网络产品可用区容灾逃逸 ，其中，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 。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。
12月18日10:17开始 ，提升精细度 ，
4 、除上述少量单可用区产品以外，提高对故障的排查和定位速度；在设施管控逻辑层面，Privatelink以及少量GA实例）在此次故障中受到影响 。
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。
阿里云网络少量单可用区产品（如 ：VPN 、
12月18日10:37 ，API完全恢复可用为当日23:11 。扩大覆盖度 ，依赖可用区C的单AZ冗余版本的OSS服务 ，工程师随后继续通过相同方法对其他冷机进行操作。
我们注意到，工程师启动数据库应急切换预案流程。随着该可用区受故障影响的主机范围扩大 ，但发现无法稳定运行，影响了冷却系统的恢复时长 。同时保证手工切换的准确性 ，
总结
最后，
改进措施 ：全网巡检 ，ECS管控依赖的自定义镜像数据服务 ，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），导致一机房包间温度达到临界值触发消防系统喷淋，
以下内容转自阿里云官方 ，19:47 ，香港Region可用区C部分ECS服务器开始出现停机 ，阿里云香港Region可用区C部分RDS实例出现不可用的报警 。其中一个包间因消防喷淋启动 ，我们提供了克隆实例 、对冷塔 、冷却水管路及冷机冷凝器进行手工补水排气操作 ，并持续观察温升情况 。温度开始下降 。
改进措施：全面检查机房基础设施管控系统，期间 ，
处理过程
12月18日08:56 ，
21:36，稳定性是云服务的生命线 ，包间温度逐渐升高，
12:30 ，从18:26开始 ，影响水路循环导致4台主冷机服务异常 ，依照故障处理流程，12月18日11:21 ，电源柜和多列机柜进水 ，OSS同城冗余ZRS服务基本没有受到影响 。12:45完成SLB等大部分网络产品可用区容灾逃逸 ，存储服务器重新分批启动。对我们的客户至关重要 。
阿里云香港可用区C的故障 ，并尽快处理赔偿事宜。此次香港Region可用区C服务中断事件 ，但持续高温会导致磁盘坏道 ，并进行必要的数据完整性检查 。大数据集群进行降载处理 。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） ，19:02 ，此时客户暂不会感知 ，水盘补水后 ，公告等通知手段 ，对很多客户的业务产生重大影响 ，但系统仍然无法保持稳定运行 。
服务影响
12月18日09:23 ，未进行服务器上电 。解锁群控逻辑启动4台冷机耗时3小时32分钟 。经冷机设备商工程师现场手工调整配置 ，从11:07至18:26中断了服务 。增加了后续恢复难度和时长 。少量支持跨可用区切换的RDS实例没有及时完成切换 。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 。我们将尽一切努力从此次事件中吸取经验教训 ，无法通过重试解决 。
