
11 月 12 日的服務中斷嚴重干擾全球企業與政府客戶的日常運作,再次暴露出高度依賴單一雲端供應商所帶來的營運弱點與集中風險。微軟週日發布初步客戶報告後,一名執行副總裁於週一在 X 上就此次服務中斷正式致歉。在中斷最嚴重時,支援 Exchange Online 的網路閘道伺服器有超過 80% 無法回應。雖然 Teams、OneDrive 和 SharePoint 等應用程式迅速切換至運作正常的基礎設施,但 Outlook 和 Exchange Online 在美國辦公尖峰時段仍持續依賴故障的閘道。

此次服務中斷是三項營運因素共同作用所致。11 月 11 日深夜,例行自動化流量管理將 Teams 流量重新導向原本已在處理 Outlook 流量的主要網路閘道。與此同時,前一天進行的另一項無關維護作業,已使該閘道約 14% 的伺服器容量離線,導致系統沒有備用容量可因應流量激增。
11 月 12 日,流量激增觸發了 7 月閘道更新所引入的內部鎖定競爭錯誤,導致伺服器記憶體耗盡,並接連故障。Ramanna 解釋,過去三個月來,部署前的標準實驗室測試未能偵測到這項錯誤,原因在於測試環境優先採用處理器核心數較少的舊型硬體,而非核心數較多、較容易觸發鎖定競爭問題的新型處理器。
自動化流量管理系統試圖將使用者重新導向運作正常的節點,卻使其餘伺服器不堪負荷,反而加速服務中斷蔓延。同時,另一項獨立問題導致標準分區隔離機制無法將故障限制在特定區域內。結果,這項錯誤在不到兩小時內便擴散至微軟全球的伺服器基礎設施。
復原過程異常漫長。工程師花了約 15 小時找出根本原因,又過了 15 小時才開始部署修正程式。由於有問題的程式碼已上線數月,標準版本回復工具與功能開關均無法奏效。工程師必須在每個受影響區域,每次將超過一半的基礎設施下線,逐步將程式碼還原至先前版本,再分階段恢復處理累積的使用者流量。
市場洞察:
隨著企業日益依賴整合式生產力工具與 AI 服務,此次事件凸顯管理超大規模雲端基礎設施的複雜度正不斷提高。展望未來,機構客戶與市場觀察人士可能會更仔細檢視微軟的負載測試程序及故障切換防護機制,以確保高密度硬體部署不會引入隱藏的系統性風險。
