
Der Ausfall am 12. November beeinträchtigte den täglichen Betrieb von Unternehmen und Behörden weltweit erheblich und legte erneut die betrieblichen Schwachstellen und Konzentrationsrisiken offen, die mit einer starken Abhängigkeit von einem einzigen Cloud-Anbieter verbunden sind. Nachdem am Sonntag ein vorläufiger Bericht für Kunden veröffentlicht worden war, entschuldigte sich am Montag ein Executive Vice President von Microsoft auf X offiziell für die Störung. Auf dem Höhepunkt des Ausfalls reagierten mehr als 80 % der Netzwerk-Gateway-Server, über die Exchange Online betrieben wird, nicht mehr. Während Anwendungen wie Teams, OneDrive und SharePoint rasch auf funktionsfähige Infrastruktur umschalteten, griffen Outlook und Exchange Online während der Hauptgeschäftszeiten in den USA weiterhin auf fehlerhafte Gateways zu.

Der Ausfall war auf das Zusammenspiel dreier betrieblicher Faktoren zurückzuführen. Am späten Abend des 11. November leitete die routinemäßige automatisierte Datenverkehrssteuerung den Teams-Datenverkehr auf das primäre Netzwerk-Gateway um, das bereits den Outlook-Datenverkehr verarbeitete. Zugleich waren durch davon unabhängige Wartungsarbeiten am Vortag rund 14 % der Serverkapazität des Gateways außer Betrieb genommen worden. Damit verfügte das System über keine freien Kapazitäten mehr, um den sprunghaften Anstieg des Datenverkehrs aufzufangen.
Am 12. November löste die Lastspitze einen Fehler bei der internen Sperrverwaltung aus, der mit einem Gateway-Update im Juli eingeführt worden war. Dadurch ging den Servern der Arbeitsspeicher aus, und sie fielen nacheinander aus. Ramanna erklärte, dass die standardmäßigen Labortests vor der Bereitstellung den Fehler in den vorangegangenen drei Monaten nicht aufgedeckt hätten. Die Testumgebung habe vorrangig ältere Hardware mit weniger Prozessorkernen genutzt, statt neuerer Prozessoren mit einer höheren Kernzahl, bei denen das Problem konkurrierender Sperranforderungen eher auftrat.
Das automatisierte System zur Datenverkehrssteuerung versuchte, Nutzer auf funktionsfähige Knoten umzuleiten. Dies beschleunigte jedoch die Ausbreitung des Ausfalls, da die verbleibenden Server dadurch überlastet wurden. Gleichzeitig verhinderte ein separates Problem, dass der standardmäßige Mechanismus zur Partitionsisolierung den Ausfall auf bestimmte Regionen begrenzen konnte. Infolgedessen breitete sich der Fehler in weniger als zwei Stunden über die weltweite Serverinfrastruktur von Microsoft aus.
Die Wiederherstellung dauerte ungewöhnlich lange. Die Techniker benötigten rund 15 Stunden, um die eigentliche Ursache zu ermitteln. Weitere 15 Stunden vergingen, bevor sie mit der Bereitstellung einer Fehlerbehebung begannen. Da der fehlerhafte Code bereits seit Monaten im Einsatz war, erwiesen sich die üblichen Werkzeuge zum Zurücksetzen auf frühere Versionen und die Schalter zur Funktionssteuerung als wirkungslos. Die Techniker mussten in jeder betroffenen Region jeweils mehr als die Hälfte der Infrastruktur außer Betrieb nehmen, die Codeänderungen schrittweise zurücknehmen und den aufgestauten Nutzerdatenverkehr etappenweise wieder abarbeiten.
Markteinschätzung:
Der Vorfall verdeutlicht die zunehmende Komplexität beim Betrieb von Hyperscale-Cloud-Infrastrukturen, während Unternehmen immer stärker von integrierten Produktivitätswerkzeugen und KI-Diensten abhängig werden. Institutionelle Kunden und Marktbeobachter dürften künftig die Lasttestverfahren und Ausfallsicherungsmechanismen von Microsoft genauer prüfen, um sicherzustellen, dass der Einsatz von Hardware mit hoher Rechendichte keine verborgenen systemischen Risiken mit sich bringt.
