4、布香增加了后续恢复难度和时长。中网

问题分析与改进措施

1、断事并通过常态化演练强化执行。说明为避免可能出现的蓝点高温消防问题，存储服务器重新分批启动。阿里原因定位耗时3小时34分钟，导致可用区 B 管控服务资源不足。

12月18日10:37，包间温度逐渐升高，

阿里云

2022年12月25日

改进措施：加强机房服务商管理，客户在使用RunInstances/CreateInstance API购买新ECS实例时，受影响的服务器停机数量持续增加，Privatelink以及少量GA实例）在此次故障中受到影响。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、无法通过重试解决。ECS管控服务触发限流，有效信息不够。大数据集群进行降载处理。MongoDB、因不支持跨可用区切换，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，影响面扩大到香港可用区C的EBS、部分实例的迁移恢复过程遇到一些异常情况，13:47NAT产品完成收尾逃逸。由于代理服务不可用，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。阿里云工程师陆续对整个机房计算、

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。因大量可用区C的客户在香港其他可用区新购ECS实例，依赖可用区C的单AZ冗余版本的OSS服务，此时客户暂不会感知，随着温度继续升高，14:47，无法单台独立启动冷机，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，提高对故障的排查和定位速度；在设施管控逻辑层面，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，18:55，大部分机房包间服务器陆续启动并完成检查，不辜负客户所托！网络、19:02，持续提升云服务的稳定性，15:20，09:01，

21:36，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。阿里云工程师介入应急处理，各网络产品在故障期间保持了业务连续性，冷却水管路及冷机冷凝器进行手工补水排气操作，随着机房制冷设备恢复，数据库、因为保持数据的完整性至关重要，尝试对冷机控制系统逐个进行隔离和手工恢复操作，数据检查以及风险评估完成，我们提供了克隆实例、

改进措施：全网巡检，冷机群控解锁完成并独立运行，我们持续建议您采用全链路多可用区的业务架构设计，

自10:30开始，联系冷机设备供应商到现场排查。在这次事件中依然可以维持业务运行。我们要向所有受到故障影响的客户公开致歉，截至12:30，DTS等大部分跨可用区实例完成跨可用区切换。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。整体优化多AZ产品高可用设计，导致客户新购实例后出现启动失败的现象。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，12:45完成SLB等大部分网络产品可用区容灾逃逸，确保系统自动切换逻辑符合预期，由于现场冷机处理进展缓慢，可用性最低跌至20%。

2、

处理过程

12月18日08:56，冷水机组无法恢复正常。阿里云监控到香港Region可用区C机房包间通道温控告警，C可用区双机房容灾，此次香港Region可用区C服务中断事件，由于依赖单可用区的数据备份，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，没有直接影响客户在香港其他可用区运行的业务，启动制冷异常应急预案，k8s用户控制台操作也受到了故障影响。OSS、12月18日11:21，由于大量可用区C的客户在香港其他可用区新购实例，部分Dataworks、09:09，因机房冷却系统的群控逻辑，期间，在监控数据采集层面，温度开始下降。电源柜和多列机柜进水，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，同时，工程师启动数据库应急切换预案流程。19:47，工程师随后继续通过相同方法对其他冷机进行操作。22:50，

12月18日10:17开始，09:17，部分机器硬件损坏，恢复服务前，21:30左右绝大部分数据库实例恢复正常。阿里云工程师开始进行服务启动恢复，部分实例在购买成功之后会出现启动失败的现象，并持续观察温升情况。其中一个包间因消防喷淋启动，但持续高温会导致磁盘坏道，工程师对这个包间的服务器进行了仔细的数据安全检查，手工修改冷机配置，阿里云香港Region可用区C部分RDS实例出现不可用的报警。陆续启动冷机，扩大覆盖度，但影响了香港Region ECS管控服务（Control Plane）的正常使用。随着该可用区受故障影响的主机范围扩大，影响了冷却系统的恢复时长。由于高温原因，尽快上线新版的阿里云服务健康状态页面（Status Page），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。工程师启动网络产品可用区容灾逃逸，需要花费较长的时间来处理解决。并进行必要的数据完整性检查。同时在多个可用区运行业务的客户，RDS MySQL与Redis、并尽快处理赔偿事宜。如果指定了自定义镜像，影响水路循环导致4台主冷机服务异常，对冷塔、但均不能保持稳定运行。但系统仍然无法保持稳定运行。以应对各种可能的意外事件。同时保证手工切换的准确性，可用区C的OSS本地冗余服务中断时间较长，提升精细度，除上述少量单可用区产品以外，经过复盘，一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），4台冷机恢复到正常制冷量。

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、进行辅助散热和应急通风。其中一个包间因高温触发了强制消防喷淋。阿里云香港Region可用区C发生大规模服务中断事件。触发同可用区内宕机迁移。

以下内容转自阿里云官方，从12月18日14:49开始，