📸 شرح تصویر: نمایی مفهومی از اختلال در زیرساختهای شبکه و گیتویهای ابری که منجر به قطعی گسترده سرویسهای مایکروسافت شد.
مایکروسافت در گزارش اولیه خود از حادثه (PIR) که منجر به یکی از بزرگترین قطعیهای تاریخ این شرکت در هفته گذشته شد، اعلام کرد که یک نقص فنی پنهان در گیتوی ابری (Cloud Gateway) عامل اصلی این اختلال بوده است. این باگ که از ماه جولای در سیستم وجود داشت، در کنار تغییرات ترافیک شبکه و کاهش ظرفیت سرورها، باعث شد بخش بزرگی از زیرساختهای Microsoft 365 و Exchange برای حدود ۲۴ ساعت از دسترس خارج شوند. مایکروسافت تأکید کرده است که این رویداد صرفاً یک نقص فنی بوده و هیچ ارتباطی با حملات سایبری یا هوش مصنوعی ندارد.
چرا این باگ در تستهای اولیه شناسایی نشد؟
بر اساس گزارش مایکروسافت، این اختلال در بازه زمانی ۱۲ تا ۱۳ نوامبر رخ داد. ریشه اصلی مشکل به تغییری بازمیگردد که در ماه جولای روی گیتوی ابری اعمال شده بود. این تغییر باعث میشد در شرایط خاص، منابع CPU و حافظه سرورها به سرعت اشغال شده و سیستم پاسخدهی خود را از دست بدهد. نکته قابل توجه اینجاست که این نقص در تستهای پیش از انتشار شناسایی نشد؛ زیرا سختافزارهای مورد استفاده در محیط تست، ضعیفتر از سیستمهای عملیاتی واقعی بودند و تعداد هستههای پردازشی بالاتر در سرورهای اصلی، ناخواسته باعث تشدید این قفلشدگی شده بود.
تغییر مسیر ترافیک؛ کاتالیزور بحران
عامل دوم و تعیینکننده در این حادثه، مدیریت بار سرورها بود. مایکروسافت برای حفظ پایداری، از دو سیستم گیتوی مستقل استفاده میکند تا در صورت بروز مشکل در یکی، ترافیک به دیگری منتقل شود. حدود ۱۵ ساعت پیش از وقوع قطعی، ترافیک سرویس Teams از گیتوی جایگزین به گیتوی اصلی (که مسئولیت Exchange Online را بر عهده داشت) منتقل شد. این جابهجایی که یک فرآیند استاندارد برای حفظ پایداری است، باعث شد گیتوی اصلی با حجم ترافیک بالاتر و ترکیب متفاوتی از درخواستها مواجه شود. در نهایت، با انباشته شدن درخواستها، سرورها به سقف ظرفیت خود رسیدند و از پذیرش اتصالات جدید امتناع کردند.
