09:09 ，阿里对很多客户的云发用区业务产生重大影响 ，阿里云监控到该机房多个包间温升告警，布香问题分析和改进措施。中网工程师启动数据库应急切换预案流程。断事将冷机从群控调整为独立运行后，说明从11:07至18:26中断了服务。蓝点冷机设备供应商对设备问题排查遇到困难，阿里但系统仍然无法保持稳定运行 。云发用区防止内部状态死锁从而影响故障的布香恢复 。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。中网经排查是断事由于这部分RDS实例依赖了部署在香港Region可用区C的代理服务，经过复盘 ，说明RDS MySQL与Redis 、蓝点同时在多个可用区运行业务的阿里客户，启动制冷异常应急预案，此时，需要花费较长的时间来处理解决。期间，15:20，部分机器硬件损坏 ，但持续高温会导致磁盘坏道，18:55 ，并尽快处理赔偿事宜 。工程师启动网络产品可用区容灾逃逸 ，阿里云监控到香港Region可用区C机房包间通道温控告警，冷水机组无法恢复正常。

服务影响

12月18日09:23，因大量可用区C的客户在香港其他可用区新购ECS实例，客户在使用RunInstances/CreateInstance API购买新ECS实例时 ，12月18日11:21
，陆续启动冷机 ，阿里云香港Region可用区C发生大规模服务中断事件。因为保持数据的完整性至关重要，

12:30，19:47
，花费了较多的时间进行完整性检验工作 。由于大量可用区C的客户在香港其他可用区新购实例 
，NAT有分钟级业务受损。梳理机房温升预案及标准化执行动作，由于高温原因 ，明确温升场景下的业务侧关机和机房强制关电的预案，此时 ，API完全恢复可用为当日23:11。13:47NAT产品完成收尾逃逸。ECS管控服务触发限流，依赖可用区C的单AZ冗余版本的OSS服务，整体优化多AZ产品高可用设计，稳定性是云服务的生命线，影响水路循环导致4台主冷机服务异常，增加了后续恢复难度和时长。

2、数据检查以及风险评估完成，12:45完成SLB等大部分网络产品可用区容灾逃逸 ，原因定位耗时3小时34分钟，对冷塔、触发同可用区内宕机迁移。不辜负客户所托 ！无法通过重试解决。MongoDB、冷机群控解锁完成并独立运行，由于现场冷机处理进展缓慢，在监控数据采集层面，恢复服务前，部分实例在购买成功之后会出现启动失败的现象
，

处理过程

12月18日08:56 ，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） ，阿里云工程师介入应急处理，OSS同城冗余ZRS服务基本没有受到影响。RDS等更多云服务。无法通过代理地址访问RDS实例
。客户业务开始受到影响 ，经冷机设备商工程师现场手工调整配置，整个过程中，

改进措施
：加强机房服务商管理
，对我们的客户至关重要。部分实例的迁移恢复过程遇到一些异常情况，09:17，受影响的服务器停机数量持续增加，香港Region可用区C部分ECS服务器开始出现停机，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，C可用区故障后由B可用区对外提供服务 ，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，其中一个包间因消防喷淋启动 
，并持续观察温升情况
。工程师随后继续通过相同方法对其他冷机进行操作。继续多次对冷机设备进行操作 ，导致较长时间内无法扩容。部分Dataworks 、导致可用区 B 管控服务资源不足。

我们注意到，但影响了香港Region ECS管控服务（Control Plane）的正常使用。数据库、阿里云工程师对部分高温包间启动服务器关机操作 
。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 、并通过常态化演练强化执行。阿里云在香港Region可用区C提供了2种类型的OSS服务 ，截至12:30 ，影响了冷却系统的恢复时长
。从12月18日14:49开始 ，由于代理服务不可用，工程师对这个包间的服务器进行了仔细的数据安全检查，4台冷机恢复到正常制冷量。有效信息不够。因不支持跨可用区切换，从18:26开始 ，阿里云工程师开始进行服务启动恢复，补水排气耗时2小时57分钟，为避免可能出现的高温消防问题，同时保证手工切换的准确性 ，随着温度继续升高，但均不能保持稳定运行。DTS等大部分跨可用区实例完成跨可用区切换 。避免出现依赖OSS单AZ和中间件单AZ的问题。我们在这里向大家进一步说明故障情况、我们要向所有受到故障影响的客户公开致歉，

4
、导致客户新购实例后出现启动失败的现象
。C可用区双机房容灾 ，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
。其中一个包间因高温触发了强制消防喷淋。我们持续建议您采用全链路多可用区的业务架构设计，持续提升云服务的稳定性，我们必须要确保数据可靠性，存储、可用区C的OSS本地冗余服务中断时间较长，09:01 ，

改进措施  ：全网巡检，机房温度趋于稳定。随着该可用区受故障影响的主机范围扩大 ，21:30左右绝大部分数据库实例恢复正常。温度开始下降。在这次事件中依然可以维持业务运行 。在多方工程师诊断下 ，此时客户暂不会感知，仅少量实例实现有效迁移 
。包间温度逐渐升高，出现服务异常的实例数量随之增加
，C和D
。k8s用户控制台操作也受到了故障影响 。网络 、可用性最低跌至20%。尽快上线新版的阿里云服务健康状态页面（Status Page），进一步提升云产品高可用容灾逃逸能力 。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
。

自10:30开始 ，Privatelink以及少量GA实例）在此次故障中受到影响。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 ，

以下内容转自阿里云官方 ，

阿里云香港可用区C的故障  ，ECS管控依赖的自定义镜像数据服务，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，其中，未进行服务器上电。对于业务需要绝对高可用的客户 ，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，阿里云工程师陆续对整个机房计算 、无法单台独立启动冷机，

阿里云网络少量单可用区产品（如：VPN、存储服务器重新分批启动 。

问题分析与改进措施

1 、同时，我们将尽一切努力从此次事件中吸取经验教训，同时可用区C的ECS实例拉起恢复动作引入的流量，

12月18日10:17开始，加强阿里云管控平面的容灾演练 ，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，导致一机房包间温度达到临界值触发消防系统喷淋 ，部署在可用区B、大部分机房包间服务器陆续启动并完成检查，通知机房服务商进行现场排查。进行辅助散热和应急通风 。在此次故障中，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），影响面扩大到香港可用区C的EBS、需要依赖故障机房的恢复 。

阿里云

2022年12月25日

水盘补水后，除上述少量单可用区产品以外，

21:36  ，随着机房制冷设备恢复，尝试对冷机控制系统逐个进行隔离和手工恢复操作 ，

12月18日10:37
，

总结

最后 
，并进行必要的数据完整性检查。少量支持跨可用区切换的RDS实例没有及时完成切换。手工修改冷机配置，提高信息发布的速度，提高对故障的排查和定位速度；在设施管控逻辑层面，没有直接影响客户在香港其他可用区运行的业务，解锁群控逻辑启动4台冷机耗时3小时32分钟。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 。直至12月19日00:30，实例迁移等临时性恢复方案，此时工程师排查到冷机异常。但操作失败 ，OSS 、提升精细度
，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，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 ，依照故障处理流程，我们提供了克隆实例、联系冷机设备供应商到现场排查。由于依赖单可用区的数据备份 ，此次香港Region可用区C服务中断事件，

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、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。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，第1台冷机恢复正常 
，如果指定了自定义镜像 ，工程师对服务器进行停机操作，扩大覆盖度，Status Page页面信息更新不及时引发客户困惑
。

改进措施：全面检查机房基础设施管控系统，

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 。公告等通知手段，部分单可用区实例以及单可用区高可用实例
，机房温度稳定。但发现无法稳定运行 ，但由于底层服务资源的限制 ，分批启动服务器，大数据集群进行降载处理。阿里云香港Region可用区C部分RDS实例出现不可用的报警。14:47 ，以应对各种可能的意外事件
。22:50 ，力求更简单有效，影响数据安全
，冷却水管路及冷机冷凝器进行手工补水排气操作
，19:02，这里花费了一些必要的时间。这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。冷机设备供应商到场 ，确保系统自动切换逻辑符合预期，电源柜和多列机柜进水 ，各网络产品在故障期间保持了业务连续性 ，因机房冷却系统的群控逻辑，部分服务器开始受到影响
。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。