阿里云香港Region可用区C部分RDS实例出现不可用的阿里报警。以应对各种可能的云发用区意外事件
。但操作失败 ，布香仅部署在可用区C；另一种是中网OSS同城冗余ZRS服务（通常叫3AZ冗余服务），因机房冷却系统的断事群控逻辑 ，

阿里云网络少量单可用区产品（如 ：VPN、说明增加了后续恢复难度和时长。蓝点冷机群控解锁完成并独立运行，阿里通知机房服务商进行现场排查。云发用区在这次事件中依然可以维持业务运行。布香可用性最低跌至20%。中网阿里云工程师介入应急处理 ，断事从18:26开始 ，说明19:47，蓝点尝试对冷机控制系统逐个进行隔离和手工恢复操作
，阿里冷水机组无法恢复正常
。同时，防止内部状态死锁从而影响故障的恢复。经过复盘 ，无法单台独立启动冷机，整体优化多AZ产品高可用设计，少量支持跨可用区切换的RDS实例没有及时完成切换。依赖可用区C的单AZ冗余版本的OSS服务 ，由于现场冷机处理进展缓慢 
，各网络产品在故障期间保持了业务连续性，我们在这里向大家进一步说明故障情况、

自10:30开始 ，此时 ，如果指定了自定义镜像，部分Dataworks、公告等通知手段 ，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，并尽快处理赔偿事宜 。花费了较多的时间进行完整性检验工作。

改进措施 ：加强机房服务商管理 ，k8s用户控制台操作也受到了故障影响。恢复服务前
，导致客户新购实例后出现启动失败的现象
。联系冷机设备供应商到现场排查。同时保证手工切换的准确性 ，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 。存储服务器重新分批启动。稳定性是云服务的生命线 ，工程师随后继续通过相同方法对其他冷机进行操作 。在监控数据采集层面 ，影响水路循环导致4台主冷机服务异常
，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，RDS等更多云服务。部分实例在购买成功之后会出现启动失败的现象 ，从12月18日14:49开始，21:30左右绝大部分数据库实例恢复正常。但影响了香港Region ECS管控服务（Control Plane）的正常使用
。其中一个包间因高温触发了强制消防喷淋。冷机设备供应商到场，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务） ，并持续观察温升情况。有效信息不够。导致可用区 B 管控服务资源不足 。12:45完成SLB等大部分网络产品可用区容灾逃逸 ，因不支持跨可用区切换，工程师对服务器进行停机操作，无法通过代理地址访问RDS实例。

2、为避免可能出现的高温消防问题，部署在可用区B 、13:47NAT产品完成收尾逃逸 。加强阿里云管控平面的容灾演练，继续多次对冷机设备进行操作，MongoDB 、但系统仍然无法保持稳定运行。客户业务开始受到影响
，

总结

最后 ，不辜负客户所托！C和D。

12:30，并进行必要的数据完整性检查。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。影响数据安全，避免出现依赖OSS单AZ和中间件单AZ的问题。ECS管控服务触发限流，机房温度趋于稳定。此次香港Region可用区C服务中断事件，但发现无法稳定运行，部分实例的迁移恢复过程遇到一些异常情况 ，

21:36，我们提供了克隆实例
、由于大量可用区C的客户在香港其他可用区新购实例 ，但持续高温会导致磁盘坏道，从11:07至18:26中断了服务。数据库、阿里云香港Region可用区C发生大规模服务中断事件。工程师启动数据库应急切换预案流程 。扩大覆盖度，实例迁移等临时性恢复方案，由于依赖单可用区的数据备份 ，

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 ，部分单可用区实例以及单可用区高可用实例，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，但由于底层服务资源的限制，可用区C的OSS本地冗余服务中断时间较长，对很多客户的业务产生重大影响，这里花费了一些必要的时间。Status Page页面信息更新不及时引发客户困惑。依照故障处理流程，无法通过重试解决 。第1台冷机恢复正常，冷却水管路及冷机冷凝器进行手工补水排气操作 ，除上述少量单可用区产品以外 ，19:02
，进一步提升云产品高可用容灾逃逸能力。ECS管控依赖的自定义镜像数据服务 ，API完全恢复可用为当日23:11 。

以下内容转自阿里云官方，影响了冷却系统的恢复时长。冷机设备供应商对设备问题排查遇到困难，力求更简单有效，香港Region可用区C部分ECS服务器开始出现停机，工程师启动网络产品可用区容灾逃逸，原因定位耗时3小时34分钟，其中一个包间因消防喷淋启动 ，解锁群控逻辑启动4台冷机耗时3小时32分钟  。4台冷机恢复到正常制冷量。客户在使用RunInstances/CreateInstance API购买新ECS实例时 ，数据检查以及风险评估完成，DTS等大部分跨可用区实例完成跨可用区切换 。尽快上线新版的阿里云服务健康状态页面（Status Page），确保系统自动切换逻辑符合预期，补水排气耗时2小时57分钟，18:55，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。同时可用区C的ECS实例拉起恢复动作引入的流量
，

我们注意到 ，09:17 ，将冷机从群控调整为独立运行后 ，阿里云监控到香港Region可用区C机房包间通道温控告警，并通过常态化演练强化执行。触发同可用区内宕机迁移。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
，提高信息发布的速度，因为保持数据的完整性至关重要 ，部分服务器开始受到影响。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，电源柜和多列机柜进水，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 ，由于代理服务不可用，此时工程师排查到冷机异常。OSS同城冗余ZRS服务基本没有受到影响
。持续提升云服务的稳定性，需要依赖故障机房的恢复。C可用区双机房容灾 ，未进行服务器上电 。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 ，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。我们要向所有受到故障影响的客户公开致歉，15:20 ，仅少量实例实现有效迁移。

改进措施
：全面检查机房基础设施管控系统，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。随着温度继续升高，随着机房制冷设备恢复，

改进措施 ：全网巡检，在此次故障中，

问题分析与改进措施

1、部分机器硬件损坏 
，同时在多个可用区运行业务的客户，RDS MySQL与Redis、阿里云工程师开始进行服务启动恢复，对于业务需要绝对高可用的客户
，梳理机房温升预案及标准化执行动作 ，工程师对这个包间的服务器进行了仔细的数据安全检查 ，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，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 。影响面扩大到香港可用区C的EBS 、导致较长时间内无法扩容 。网络、

服务影响

12月18日09:23
，导致一机房包间温度达到临界值触发消防系统喷淋，09:01，此时客户暂不会感知，大数据集群进行降载处理 。对我们的客户至关重要 。

处理过程

12月18日08:56 ，随着该可用区受故障影响的主机范围扩大，22:50，包间温度逐渐升高 ，NAT有分钟级业务受损
。存储、需要花费较长的时间来处理解决
。阿里云工程师陆续对整个机房计算、温度开始下降。14:47
 ，其中，启动制冷异常应急预案，

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 、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  、进行辅助散热和应急通风。因大量可用区C的客户在香港其他可用区新购ECS实例，陆续启动冷机
，

12月18日10:37，提升精细度 ，大部分机房包间服务器陆续启动并完成检查 ，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，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，此时，我们将尽一切努力从此次事件中吸取经验教训，直至12月19日00:30 ，12月18日11:21，Privatelink以及少量GA实例）在此次故障中受到影响。水盘补水后，问题分析和改进措施
。手工修改冷机配置
，我们持续建议您采用全链路多可用区的业务架构设计，受影响的服务器停机数量持续增加，由于高温原因，分批启动服务器，经冷机设备商工程师现场手工调整配置，但均不能保持稳定运行
。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，阿里云工程师对部分高温包间启动服务器关机操作 。

阿里云香港可用区C的故障 ，阿里云监控到该机房多个包间温升告警，期间 ，对冷塔 、OSS 、没有直接影响客户在香港其他可用区运行的业务 ，机房温度稳定 。

阿里云

2022年12月25日

明确温升场景下的业务侧关机和机房强制关电的预案，整个过程中，我们必须要确保数据可靠性 ，提高对故障的排查和定位速度；在设施管控逻辑层面，在多方工程师诊断下 ，出现服务异常的实例数量随之增加，

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 。09:09
，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 。

4
、