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
、需要依赖故障机房的恢复
。直至12月19日00:30
，原因定位耗时3小时34分钟，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，

12月18日10:17开始，部分服务器开始受到影响。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。导致较长时间内无法扩容。部署在可用区B、未进行服务器上电 。除上述少量单可用区产品以外 ，

4  、19:47，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。同时可用区C的ECS实例拉起恢复动作引入的流量，联系冷机设备供应商到现场排查
。但发现无法稳定运行 ，

总结

最后 ，部分Dataworks、

以下内容转自阿里云官方
，从18:26开始 ，依照故障处理流程，阿里云工程师开始进行服务启动恢复，13:47NAT产品完成收尾逃逸 。数据检查以及风险评估完成，由于高温原因 ，12月18日11:21
，无法单台独立启动冷机，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、分批启动服务器
，OSS、需要花费较长的时间来处理解决 。由于依赖单可用区的数据备份，但均不能保持稳定运行
。工程师对这个包间的服务器进行了仔细的数据安全检查 ，提升精细度 ，提高对故障的排查和定位速度；在设施管控逻辑层面
，影响水路循环导致4台主冷机服务异常，稳定性是云服务的生命线，提高信息发布的速度，工程师启动网络产品可用区容灾逃逸，同时在多个可用区运行业务的客户
 ，

处理过程

12月18日08:56，明确温升场景下的业务侧关机和机房强制关电的预案，花费了较多的时间进行完整性检验工作。18:55，同时保证手工切换的准确性，实例迁移等临时性恢复方案 ，其中，加强阿里云管控平面的容灾演练，对我们的客户至关重要 。可用区C的OSS本地冗余服务中断时间较长，此次香港Region可用区C服务中断事件，k8s用户控制台操作也受到了故障影响
。存储、机房温度趋于稳定
。包间温度逐渐升高，经过复盘 ，大部分机房包间服务器陆续启动并完成检查，第1台冷机恢复正常
，补水排气耗时2小时57分钟，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，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。OSS同城冗余ZRS服务基本没有受到影响。影响了冷却系统的恢复时长。因不支持跨可用区切换 ，但系统仍然无法保持稳定运行
。问题分析和改进措施。不辜负客户所托 ！无法通过代理地址访问RDS实例。工程师随后继续通过相同方法对其他冷机进行操作 。避免出现依赖OSS单AZ和中间件单AZ的问题。整个过程中 ，以应对各种可能的意外事件
。工程师启动数据库应急切换预案流程 。梳理机房温升预案及标准化执行动作，整体优化多AZ产品高可用设计
，水盘补水后，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 。数据库、09:17 ，我们在这里向大家进一步说明故障情况 、手工修改冷机配置 ，在此次故障中 ，并进行必要的数据完整性检查。因机房冷却系统的群控逻辑 ，阿里云香港Region可用区C部分RDS实例出现不可用的报警 。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 ，4台冷机恢复到正常制冷量
。但由于底层服务资源的限制，力求更简单有效，21:30左右绝大部分数据库实例恢复正常 。出现服务异常的实例数量随之增加
，阿里云监控到该机房多个包间温升告警，由于现场冷机处理进展缓慢 ，

服务影响

12月18日09:23 ，经冷机设备商工程师现场手工调整配置，触发同可用区内宕机迁移。通知机房服务商进行现场排查 。Privatelink以及少量GA实例）在此次故障中受到影响。

改进措施：全面检查机房基础设施管控系统，RDS MySQL与Redis、部分机器硬件损坏 ，冷水机组无法恢复正常 。从12月18日14:49开始，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。冷机设备供应商到场，

21:36 ，期间 ，有效信息不够。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。客户在使用RunInstances/CreateInstance API购买新ECS实例时，此时工程师排查到冷机异常。陆续启动冷机  ，

阿里云香港可用区C的故障，电源柜和多列机柜进水，持续提升云服务的稳定性
，温度开始下降 。大数据集群进行降载处理。随着该可用区受故障影响的主机范围扩大，API完全恢复可用为当日23:11 。DTS等大部分跨可用区实例完成跨可用区切换。对于业务需要绝对高可用的客户 ，可用性最低跌至20% 。存储服务器重新分批启动。影响面扩大到香港可用区C的EBS、

2、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，客户业务开始受到影响，网络、香港Region可用区C部分ECS服务器开始出现停机，阿里云工程师陆续对整个机房计算 、

阿里云网络少量单可用区产品（如：VPN 、

自10:30开始 ，恢复服务前，依赖可用区C的单AZ冗余版本的OSS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，冷却水管路及冷机冷凝器进行手工补水排气操作，此时客户暂不会感知，阿里云香港Region可用区C发生大规模服务中断事件。12:45完成SLB等大部分网络产品可用区容灾逃逸，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，对冷塔、为避免可能出现的高温消防问题，

改进措施：加强机房服务商管理 ，我们将尽一切努力从此次事件中吸取经验教训，Status Page页面信息更新不及时引发客户困惑。阿里云工程师介入应急处理，从11:07至18:26中断了服务  。C可用区故障后由B可用区对外提供服务 ，导致可用区 B 管控服务资源不足  。公告等通知手段，在这次事件中依然可以维持业务运行 。确保系统自动切换逻辑符合预期 ，随着机房制冷设备恢复，影响数据安全，尽快上线新版的阿里云服务健康状态页面（Status Page），由于大量可用区C的客户在香港其他可用区新购实例，