BUSINESS PERSPECTIVES / EDITORIAL

来自非凡体育 ·(中国)官方网站的行业观察与实践内容

FEATURED READING

微软公布Microsoft 365全球宕机原因:三重故障引发24小时服务中断

本篇内容由非凡体育整理:

2026年11月15日,微软发布初步事故后报告(PIR),详细说明此前一周发生的Microsoft 365大规模服务中断事件及初步调查结果。

报告显示,此次事故的影响时段为2026年11月12日16时20分至11月13日16时10分,持续23小时50分钟,略低于24小时。

其中,Exchange Online受影响最严重,多数受影响用户无法通过Outlook或其他邮件客户端访问邮箱,同时大量邮件出现投递延迟。

Microsoft Teams、Copilot、SharePoint及OneDrive等服务也受到不同程度影响。

不过,微软强调,这些服务主要是依赖Exchange Online的部分功能受到波及,并非所有服务整体瘫痪。

例如,Teams聊天和会议功能在事故大部分时间里基本保持正常,部分SharePoint、OneDrive及Office应用也通过切换网络路径实现较早恢复。

具体而言,微软将此次中断归因于三个相互叠加的技术因素所导致的: 一、一项潜伏数月的底层软件缺陷 该缺陷源于一项专门针对Microsoft 365网络网关服务器部署的修复变更。

该变更在内部Windows进程中引入锁竞争问题,在特定负载条件下导致CPU与内存资源耗尽,最终使相关服务器失去响应。

微软特别指出,该缺陷及其对应修复变更仅涉及专门配置的Microsoft 365网络网关服务器,不适用于更广泛的Windows部署环境。

相关变更最早于2026年7月开始部署,并在数周内逐步推广至全球基础设施。

然而,在超过三个月的时间里,微软始终未能发现这一潜在缺陷。

微软初步认为,问题与常规负载测试环境存在一定差异有关:测试所用流量组合和服务器配置规格未能充分模拟真实生产环境,且测试机器通常采用核心数量较少、性能较弱的硬件。

事实上,该锁竞争问题在核心数量更多、硬件更新的服务器上反而更加严重。

二、Teams流量切换导致主网关负载增加 微软Microsoft 365网络架构部署了两套相互独立、配置存在差异的网络网关系统,以提高服务隔离能力和可用性。

事故前约15小时,Teams流量从备用网络网关切换至同时承载Exchange Online流量的主网关。

虽然这属于微软正常的故障转移机制,但流量集中改变了主网关负载状况,提高了潜伏软件缺陷被触发的概率。

三、网络网关可用服务器容量提前下降 受前一天另一项独立问题影响,当时约14%的网络网关服务器容量处于停用状态,原计划通过常规维护和健康检查流程逐步恢复。

微软表示,由于原有系统具备足够容量余量,该问题单独来看不会造成服务中断,但与Teams流量转移叠加后,进一步削弱了网关基础设施的负载承受能力。

上述三个因素共同作用,最终引发连锁故障。

about image

随着主网关负载增加、可用容量减少,潜伏数月的软件缺陷开始触发,大量连接请求不断堆积,服务器逐渐停止响应。

按照正常高可用机制,流量管理系统会自动将用户请求转移至其他健康服务器,但在此次事故中,这种自动流量转移反而使剩余服务器承受更大压力,导致相同问题在更多节点相继出现,形成跨服务器级联故障。

微软报告指出,不到两小时潜在缺陷便扩散至整个相关服务器集群。

在故障最严重阶段,超过80%的相关服务器处于无响应状态。

与此同时,原本用于限制故障传播的网络容量分区隔离机制也未能有效阻止故障扩散,最终导致影响蔓延至全球网络网关基础设施。

修复过程 恢复过程同样面临多重障碍,已重新上线的服务器很快被积压请求淹没,再次陷入无响应状态,而微软原有自动化恢复机制并未针对如此大规模服务器同时失去响应的情况进行设计。

此外,由于缺陷源于数月前部署的代码变更,常规回滚、分阶段部署控制及功能开关均无法快速撤销相关变更,进一步延长了恢复时间。

在确认软件缺陷为主要原因后,微软工程团队开发了新的更新,将相关连接处理代码路径恢复至此前已知正常状态。

随后,团队通过分批停用服务器、应用修复变更、重启服务器并逐步恢复流量,重新建立网络网关的稳定运行能力。

微软表示,目前导致此次事故的直接技术问题已得到处理,相关恢复及保护措施也已完成,包括增加服务器容量、加强流量重定向监控、完善连接处理健康检查、设置流量分配保护机制,以及延长邮件投递处理窗口,确保事故期间积压邮件能够正常完成投递。

微软在初步报告中表示,最终事故后报告及完整修复措施清单预计于2026年11月20日公布。

公司同时明确强调,此次服务中断属于网络基础设施层面的技术故障,与任何网络攻击或人工智能系统及智能体故障无关。

总结展望 总的来看,此次事故再次表明,云服务的稳定性不仅取决于单个组件,更取决于整个系统面对异常负载时的韧性。

对于微软而言,修复软件缺陷只是第一步,完善压力测试、容量冗余与故障隔离机制,防止局部异常演变为全球性级联故障,才是后续整改的关键。

最终改进成效仍有待完整报告进一步验证。

关注非凡体育,了解更多体育资讯。

分享这篇内容

欢迎将有参考价值的内容分享给需要的伙伴。

返回资讯列表