同时在多个可用区运行业务的阿里客户
，我们持续建议您采用全链路多可用区的云发用区业务架构设计 ，阿里云本着负责任的布香态度公布了这次中断事件的完整报告，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力 。中网

改进措施：全面检查机房基础设施管控系统 ，断事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 、说明因机房冷却系统的蓝点群控逻辑，尝试对冷机控制系统逐个进行隔离和手工恢复操作，阿里通知机房服务商进行现场排查。云发用区阿里云香港Region可用区C部分RDS实例出现不可用的布香报警
。

我们注意到，中网从18:26开始，断事从11:07至18:26中断了服务
。说明

改进措施：提升故障影响和客户影响的蓝点快速评估和识别拉取能力。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 ，阿里无法通过重试解决 。直至12月19日00:30，部署在可用区B 、C和D。此时工程师排查到冷机异常 。由于代理服务不可用，增加了后续恢复难度和时长。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 ，部分机器硬件损坏 ，导致较长时间内无法扩容。

2、无法通过代理地址访问RDS实例
。并进行必要的数据完整性检查 。力求更简单有效，依照故障处理流程 ，依赖可用区C的单AZ冗余版本的OSS服务 
，截至12:30
，C可用区双机房容灾，

阿里云网络少量单可用区产品（如
：VPN 、受影响的服务器停机数量持续增加
，除上述少量单可用区产品以外，

阿里云

2022年12月25日

部分单可用区实例以及单可用区高可用实例 ，在这次事件中依然可以维持业务运行。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，梳理机房温升预案及标准化执行动作，我们提供了克隆实例、包间温度逐渐升高，影响了冷却系统的恢复时长
。防止内部状态死锁从而影响故障的恢复。联系冷机设备供应商到现场排查 。需要花费较长的时间来处理解决 。冷却水管路及冷机冷凝器进行手工补水排气操作，进一步提升云产品高可用容灾逃逸能力  。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
。避免出现依赖OSS单AZ和中间件单AZ的问题 。阿里云工程师开始进行服务启动恢复，无法单台独立启动冷机，原因定位耗时3小时34分钟 ，并通过常态化演练强化执行。12月18日11:21，我们在这里向大家进一步说明故障情况、解锁群控逻辑启动4台冷机耗时3小时32分钟。阿里云工程师对部分高温包间启动服务器关机操作
。工程师随后继续通过相同方法对其他冷机进行操作
。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。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。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，但影响了香港Region ECS管控服务（Control Plane）的正常使用。尽快上线新版的阿里云服务健康状态页面（Status Page），触发同可用区内宕机迁移。不辜负客户所托 
！存储
 、工程师启动数据库应急切换预案流程。

12月18日10:17开始 ，C可用区故障后由B可用区对外提供服务，分批启动服务器 ，冷机群控解锁完成并独立运行，温度开始下降 。明确温升场景下的业务侧关机和机房强制关电的预案
，影响水路循环导致4台主冷机服务异常 ，期间 ，加强阿里云管控平面的容灾演练，对很多客户的业务产生重大影响 ，部分实例在购买成功之后会出现启动失败的现象
，

改进措施
：加强机房服务商管理，阿里云在香港Region可用区C提供了2种类型的OSS服务 ，我们要向所有受到故障影响的客户公开致歉，这里花费了一些必要的时间 。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，需要依赖故障机房的恢复。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，我们必须要确保数据可靠性，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。少量支持跨可用区切换的RDS实例没有及时完成切换。经过复盘，因为保持数据的完整性至关重要，有效信息不够。此时，15:20，

处理过程

12月18日08:56
，其中 ，确保系统自动切换逻辑符合预期，

服务影响

12月18日09:23
，其中一个包间因消防喷淋启动，随着温度继续升高
，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。

问题分析与改进措施

1、

自10:30开始，在监控数据采集层面，以应对各种可能的意外事件。可用性最低跌至20%
。阿里云监控到香港Region可用区C机房包间通道温控告警，NAT有分钟级业务受损。RDS等更多云服务。影响数据安全，电源柜和多列机柜进水，在多方工程师诊断下，

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、但操作失败，启动制冷异常应急预案，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，Privatelink以及少量GA实例）在此次故障中受到影响 。阿里云工程师介入应急处理，API完全恢复可用为当日23:11。ECS管控依赖的自定义镜像数据服务 ，此次香港Region可用区C服务中断事件，仅少量实例实现有效迁移
。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，同时，数据库、其中一个包间因高温触发了强制消防喷淋 。稳定性是云服务的生命线 ，k8s用户控制台操作也受到了故障影响 。并尽快处理赔偿事宜 。由于高温原因，冷机设备供应商对设备问题排查遇到困难
，对冷塔 、大数据集群进行降载处理 。19:47
，部分实例的迁移恢复过程遇到一些异常情况，由于大量可用区C的客户在香港其他可用区新购实例，持续提升云服务的稳定性，工程师对服务器进行停机操作，但由于底层服务资源的限制，为避免可能出现的高温消防问题
，

21:36 ，部分服务器开始受到影响。对我们的客户至关重要
。影响面扩大到香港可用区C的EBS
、MongoDB 、18:55，Status Page页面信息更新不及时引发客户困惑。网络 、ECS管控服务触发限流，机房温度稳定。花费了较多的时间进行完整性检验工作。

以下内容转自阿里云官方 
，冷水机组无法恢复正常 。随着该可用区受故障影响的主机范围扩大，从12月18日14:49开始，各网络产品在故障期间保持了业务连续性 ，

12月18日10:37，阿里云监控到该机房多个包间温升告警
，存储服务器重新分批启动。OSS同城冗余ZRS服务基本没有受到影响。阿里云工程师陆续对整个机房计算 、提高信息发布的速度，将冷机从群控调整为独立运行后，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 ，但系统仍然无法保持稳定运行。机房温度趋于稳定。因大量可用区C的客户在香港其他可用区新购ECS实例，由于现场冷机处理进展缓慢 ，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，工程师启动网络产品可用区容灾逃逸，14:47，但发现无法稳定运行 ，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
。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 。可用区C的OSS本地冗余服务中断时间较长 ，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），此时，实例迁移等临时性恢复方案 ，对于业务需要绝对高可用的客户
，冷机设备供应商到场，

4 、提升精细度，09:17 ，OSS、DTS等大部分跨可用区实例完成跨可用区切换。4台冷机恢复到正常制冷量  。第1台冷机恢复正常，但持续高温会导致磁盘坏道，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）
，工程师对这个包间的服务器进行了仔细的数据安全检查，大部分机房包间服务器陆续启动并完成检查 ，此时客户暂不会感知，数据检查以及风险评估完成 ，09:01 ，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
。09:09
，

改进措施 ：全网巡检，22:50，

阿里云香港可用区C的故障，出现服务异常的实例数量随之增加 ，导致客户新购实例后出现启动失败的现象。问题分析和改进措施。

12:30，客户在使用RunInstances/CreateInstance API购买新ECS实例时，随着机房制冷设备恢复，陆续启动冷机，没有直接影响客户在香港其他可用区运行的业务
 ，提高对故障的排查和定位速度；在设施管控逻辑层面 ，部分Dataworks、因不支持跨可用区切换
 ，同时保证手工切换的准确性，导致可用区 B 管控服务资源不足  。公告等通知手段，12:45完成SLB等大部分网络产品可用区容灾逃逸，导致一机房包间温度达到临界值触发消防系统喷淋 ，水盘补水后 ，同时可用区C的ECS实例拉起恢复动作引入的流量，整个过程中，但均不能保持稳定运行。整体优化多AZ产品高可用设计，并持续观察温升情况
。

总结

最后，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 ，19:02 ，恢复服务前 ，客户业务开始受到影响，如果指定了自定义镜像，进行辅助散热和应急通风 。补水排气耗时2小时57分钟，RDS MySQL与Redis、经冷机设备商工程师现场手工调整配置，13:47NAT产品完成收尾逃逸。在此次故障中
，手工修改冷机配置 ，