
微软近日披露,导致 Microsoft 365、Defender 及 Intune 等服务全球性中断的原因,是三个主要因素共同作用,引发了位于服务前端的网络网关大规模宕机。
三大致败因素叠加
首先,Microsoft 365 网络网关服务器在七月补丁中存在一个“潜在缺陷”。该缺陷在针对低核心数“较弱硬件规格”的负载测试中未被发现,却在核心数更多的新型硬件上被触发。
其次,“负载激增”激活了该漏洞。微软执行副总裁 Charles Lamanna 指出,在中断发生前15小时,Teams 从备用网络网关故障转移至支持 Exchange Online 的“主”网关,这属于正常操作。微软维护着两个独立且异构的网络网关系统以实现隔离和高可用性。
第三,由于与本次事件无关的其他问题,微软网络网关约 14% 的服务器容量处于离线状态。请求堆积导致负载集中在剩余服务器上,故障迅速从单台服务器级联至整个集群。不到两小时内,此前未知的缺陷导致整个服务器集群无响应,高峰期超过 80% 的服务器失去响应。
常规防御机制失效
Lamanna 表示,另一个独立问题导致“常规隔离措施未能阻止故障级联”。此外,由于主要代码缺陷是潜伏数月的错误,常规的回滚、灰度发布和功能标志机制无法快速撤销更改。
值得注意的是,微软强调此次七月修复程序专为 Microsoft 365 网络网关服务器设计,底层缺陷及修复方案均不适用于更广泛的 Windows 部署。微软承诺将在本周晚些时候发布最终的事故后审查报告(PIR),届时将披露更多关于服务器容量离线及隔离措施失效的细节。