Microsoft: Οι τρεις τεχνικές αστοχίες που προκάλεσαν το παγκόσμιο μπλακ άουτ

Microsoft: Οι τρεις τεχνικές αστοχίες που προκάλεσαν το παγκόσμιο μπλακ άουτ

Πώς τρεις τεχνικές αστοχίες οδήγησαν στην κατάρρευση των υπηρεσιών της Microsoft

Τρία διαφορετικά τεχνικά προβλήματα, τα οποία υπό άλλες συνθήκες θα μπορούσαν να είχαν αντιμετωπιστεί ξεχωριστά, συνέπεσαν και προκάλεσαν τη μαζική διακοπή λειτουργίας υπηρεσιών της Microsoft.

Εκατομμύρια χρήστες έμειναν την προηγούμενη εβδομάδα χωρίς πρόσβαση στο Outlook, το Exchange και άλλες βασικές εφαρμογές της εταιρείας, αντιμετωπίζοντας σημαντικές δυσκολίες στην καθημερινή τους εργασία.

Στην αρχική έκθεση που έδωσε στη δημοσιότητα τη Δευτέρα, η Microsoft απέδωσε το περιστατικό σε έναν συνδυασμό τριών παραγόντων: ένα σφάλμα λογισμικού που παρέμενε στο σύστημα από τον Ιούλιο, προβλήματα στις εσωτερικές δικτυακές συνδέσεις και περιορισμένη διαθέσιμη χωρητικότητα στους διακομιστές (servers).

Η εταιρεία επιχείρησε να αποσαφηνίσει πώς αυτές οι διαφορετικές αστοχίες αλληλεπίδρασαν, προκαλώντας ένα εκτεταμένο τεχνικό πρόβλημα, η αντιμετώπιση του οποίου αποδείχθηκε χρονοβόρα. Η πλήρης λειτουργία των υπηρεσιών αποκαταστάθηκε έως το Σάββατο, ενώ η Microsoft ζήτησε συγγνώμη από τους χρήστες για την αναστάτωση.

Παράλληλα, διευκρίνισε ότι η διακοπή δεν συνδέθηκε με κυβερνοεπίθεση ή παραβίαση της ασφάλειας των συστημάτων της.

Οι τρεις αιτίες πίσω από τη μαζική διακοπή

Σε ανάρτησή του στην πλατφόρμα X τη Δευτέρα, ο Τσαρλς Λαμάνα, εκτελεστικός αντιπρόεδρος της Microsoft με αρμοδιότητα στους τομείς Copilot, Agents και Platform, περιέγραψε την αλληλουχία των γεγονότων.

Όπως εξήγησε, η αρχική αιτία ήταν ένα λανθάνον σφάλμα στον κώδικα, το οποίο υπήρχε ήδη από τον Ιούλιο. Η συγκεκριμένη δυσλειτουργία οδήγησε σε υπερφόρτωση των servers, οι οποίοι σταδιακά αδυνατούσαν να ανταποκριθούν στα αιτήματα των χρηστών.

Την κατάσταση επιβάρυνε ένα πρόβλημα στις δικτυακές υποδομές της εταιρείας. Η Microsoft διαθέτει δύο δικτυακές πύλες (network gateways), μέσω των οποίων διασυνδέονται τα συστήματά της και μεταφέρονται δεδομένα. Ωστόσο, η μία από αυτές δεν λειτουργούσε σωστά για την υπηρεσία Teams. Έτσι, το σύνολο της αυξημένης κίνησης διοχετεύτηκε στην άλλη, επιβαρύνοντάς την σημαντικά.

Σαν να μην έφτανε αυτό, περισσότερο από το 14% της συνολικής χωρητικότητας των διακομιστών της εταιρείας ήταν ήδη εκτός λειτουργίας, εξαιτίας ενός διαφορετικού προβλήματος που είχε παρουσιαστεί την προηγούμενη ημέρα.

Ο συνδυασμός των τριών παραγόντων αποδείχθηκε καθοριστικός. Όπως ανέφερε ο Λαμάνα, η αυξημένη δικτυακή κίνηση και η μειωμένη χωρητικότητα των servers ενεργοποίησαν το παλαιότερο σφάλμα, προκαλώντας τη συσσώρευση αιτημάτων. Τελικά, οι διακομιστές σταμάτησαν να ανταποκρίνονται, την ώρα μάλιστα που η κίνηση στις ΗΠΑ βρισκόταν στο υψηλότερο επίπεδό της.

Γιατί καθυστέρησε η αποκατάσταση των υπηρεσιών

Η επαναφορά των συστημάτων δεν ήταν μια απλή διαδικασία. Το βασικό σφάλμα υπήρχε στο λογισμικό επί αρκετούς μήνες και δεν επρόκειτο για κάποια πρόσφατη αλλαγή που θα μπορούσε να αναιρεθεί άμεσα, επαναφέροντας μια προηγούμενη έκδοση του συστήματος, σύμφωνα με τον Guardian.

Επιπλέον, όταν οι διακομιστές άρχισαν να επανέρχονται, βρέθηκαν αντιμέτωποι με έναν τεράστιο όγκο εκκρεμών αιτημάτων, τα οποία είχαν συσσωρευτεί κατά τη διάρκεια της διακοπής. Η απότομη αύξηση της κίνησης προκαλούσε νέα υπερφόρτωση, με αποτέλεσμα ορισμένοι servers να σταματούν και πάλι να λειτουργούν κανονικά.

Ο Λαμάνα εξήγησε ότι η αποκατάσταση κράτησε περισσότερο από το συνηθισμένο, καθώς κάθε φορά που ένας διακομιστής επανερχόταν σε λειτουργία, δεχόταν αμέσως τον όγκο των αιτημάτων που περίμεναν να εξυπηρετηθούν, με συνέπεια να καθίσταται ξανά μη ανταποκρίσιμος.

Παράλληλα, οι αυτοματοποιημένοι μηχανισμοί ανάκαμψης της Microsoft δεν ήταν σχεδιασμένοι για να διαχειριστούν μια τόσο εκτεταμένη δυσλειτουργία. Οι συνήθεις διαδικασίες επαναφοράς προηγούμενων εκδόσεων, σταδιακής εφαρμογής αλλαγών και ενεργοποίησης ή απενεργοποίησης λειτουργιών δεν μπορούσαν να εξουδετερώσουν άμεσα ένα σφάλμα που παρέμενε κρυφό για μήνες.

Η Microsoft ανακοίνωσε ότι θα ακολουθήσει η δημοσίευση τελικής έκθεσης, στην οποία θα παρουσιάζονται αναλυτικότερα τόσο τα αίτια της διακοπής όσο και τα βήματα που ακολουθήθηκαν για την αποκατάσταση των υπηρεσιών.

Loading

Play