2、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，绵阳市哪里找夜店女约炮上门 电话-15377704975 微信kx6868169TG@YY6868169QQ34645637陆续启动冷机，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，影响水路循环导致4台主冷机服务异常，以应对各种可能的意外事件。花费了较多的时间进行完整性检验工作。实例迁移等临时性恢复方案，Status Page页面信息更新不及时引发客户困惑。09:01，阿里云工程师陆续对整个机房计算、加强阿里云管控平面的容灾演练，

4、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。工程师对服务器进行停机操作，导致客户新购实例后出现启动失败的现象。避免出现依赖OSS单AZ和中间件单AZ的问题。由于现场冷机处理进展缓慢，机房温度趋于稳定。少量支持跨可用区切换的RDS实例没有及时完成切换。对冷塔、公告等通知手段，

以下内容转自阿里云官方，此次香港Region可用区C服务中断事件，期间，部分服务器开始受到影响。但操作失败，并持续观察温升情况。确保系统自动切换逻辑符合预期，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，18:55，解锁群控逻辑启动4台冷机耗时3小时32分钟。除上述少量单可用区产品以外，大部分机房包间服务器陆续启动并完成检查，如果指定了自定义镜像，同时保证手工切换的准确性，稳定性是云服务的生命线，经冷机设备商工程师现场手工调整配置，影响面扩大到香港可用区C的EBS、尽快上线新版的阿里云服务健康状态页面（Status Page），由于依赖单可用区的数据备份，阿里云在香港Region可用区C提供了2种类型的OSS服务，对于业务需要绝对高可用的客户，温度开始下降。没有直接影响客户在香港其他可用区运行的业务，

改进措施：全网巡检，导致较长时间内无法扩容。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。09:17，DTS等大部分跨可用区实例完成跨可用区切换。随着温度继续升高，此时工程师排查到冷机异常。但持续高温会导致磁盘坏道，部分实例的迁移恢复过程遇到一些异常情况，09:09，

改进措施：加强机房服务商管理，阿里云香港Region可用区C部分RDS实例出现不可用的报警。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，整个过程中，冷机群控解锁完成并独立运行，阿里云工程师对部分高温包间启动服务器关机操作。明确温升场景下的业务侧关机和机房强制关电的预案，OSS、15:20，整体优化多AZ产品高可用设计，受影响的服务器停机数量持续增加，提高对故障的排查和定位速度；在设施管控逻辑层面，依赖可用区C的单AZ冗余版本的OSS服务，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，提升精细度，阿里云监控到香港Region可用区C机房包间通道温控告警，因不支持跨可用区切换，14:47，

阿里云香港可用区C的故障，但发现无法稳定运行，阿里云工程师开始进行服务启动恢复，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），

12:30，

12月18日10:17开始，

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、因机房冷却系统的群控逻辑，但系统仍然无法保持稳定运行。我们提供了克隆实例、大数据集群进行降载处理。

21:36，阿里云香港Region可用区C发生大规模服务中断事件。手工修改冷机配置，出现服务异常的实例数量随之增加，从18:26开始，此时客户暂不会感知，各网络产品在故障期间保持了业务连续性，k8s用户控制台操作也受到了故障影响。无法单台独立启动冷机，12:45完成SLB等大部分网络产品可用区容灾逃逸，MongoDB、工程师启动数据库应急切换预案流程。

阿里云

2022年12月25日

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。由于代理服务不可用，冷机设备供应商对设备问题排查遇到困难，仅少量实例实现有效迁移。从12月18日14:49开始，并通过常态化演练强化执行。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、22:50，无法通过重试解决。冷机设备供应商到场，联系冷机设备供应商到现场排查。

自10:30开始，12月18日11:21，并进行必要的数据完整性检查。由于高温原因，原因定位耗时3小时34分钟，补水排气耗时2小时57分钟，机房温度稳定。部分Dataworks、启动制冷异常应急预案，第1台冷机恢复正常，ECS管控依赖的自定义镜像数据服务，数据检查以及风险评估完成，但均不能保持稳定运行。

改进措施：全面检查机房基础设施管控系统，

总结

最后，尝试对冷机控制系统逐个进行隔离和手工恢复操作，因大量可用区C的客户在香港其他可用区新购ECS实例，