微软证实,上周发生的微软365大规模服务中断,根源在于2026年7月一次更新中引入的软件缺陷。该缺陷在Teams故障转移与网关容量缩减14%的双重压力下被触发,引发级联故障。在最严重时刻,超过80%的受影响网关服务器失去响应。由于涉及数月前的代码变更,无法直接回滚,工程师耗时约15小时开发并部署专用补丁,才将代码路径恢复至之前的稳定状态。

测试盲区与资源耗尽

微软在11月15日发布的初步事后报告中披露,该缺陷虽在2026年7月引入时通过了负载测试且未现异常,但测试覆盖存在不足。报告指出,常规负载测试多基于核心数较少的弱硬件,未能充分模拟真实环境。该缺陷导致“内部Windows进程内的锁争用”,进而迅速耗尽服务器的CPU和内存资源。

随着多核及新型硬件的普及,这种资源争用问题被进一步放大。此次事故中,两个非致命因素叠加形成了完美风暴:一是Teams流量故障转移至支持Exchange Online的主网关,造成负载激增;二是近14%的网络网关服务器容量处于离线维护状态。尽管微软强调当时服务仍有充足余量,但两者结合恰好触发了网关中的深层缺陷。

级联失效与修复困境

这是一次典型的级联故障:当单台服务器因资源耗尽失联,流量被自动路由至下一健康节点,后者随即遭遇相同瓶颈并宕机,导致故障在短短两小时内蔓延至所有服务器集群。

面对大面积瘫痪,常规的自动化恢复流程失效——重新上线的服务器立即被涌入的流量压垮。鉴于缺陷已存在数月,直接回滚代码亦不可行。最终,微软采取“为补丁开发补丁”的策略,推出一个将代码路径强制回退至已知良好状态的更新,并通过分批部署的方式,逐步恢复了服务正常运行。