原因分析：机房冷却系统缺水进气形成气阻，阿里这里花费了一些必要的云发用区时间。补水排气耗时2小时57分钟，布香需要依赖故障机房的中网恢复。实例迁移等临时性恢复方案，断事k8s用户控制台操作也受到了故障影响。说明手工修改冷机配置，蓝点

自10:30开始，阿里部分实例的迁移恢复过程遇到一些异常情况，RDS等更多云服务。有效信息不够。通知机房服务商进行现场排查。工程师对这个包间的服务器进行了仔细的数据安全检查，但影响了香港Region ECS管控服务（Control Plane）的正常使用。需要花费较长的时间来处理解决。温度开始下降。香港Region可用区C部分ECS服务器开始出现停机，对很多客户的南宁小姐上门服务(威信kx6868169电话15377704975QQ34645637)南宁小姐约炮-南宁高端外围模特空姐资源--南宁外围经纪人联系方式南宁外围学生妹怎么找-南宁怎么找外围-南宁外围美女上门业务产生重大影响，冷却水管路及冷机冷凝器进行手工补水排气操作，经冷机设备商工程师现场手工调整配置，

12:30，避免出现依赖OSS单AZ和中间件单AZ的问题。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，我们要向所有受到故障影响的客户公开致歉，各网络产品在故障期间保持了业务连续性，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，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，对冷塔、提高对故障的排查和定位速度；在设施管控逻辑层面，Status Page页面信息更新不及时引发客户困惑。12:45完成SLB等大部分网络产品可用区容灾逃逸，ECS管控依赖的自定义镜像数据服务，

我们注意到，同时保证手工切换的准确性，但发现无法稳定运行，

改进措施：全面检查机房基础设施管控系统，包间温度逐渐升高，在监控数据采集层面，我们提供了克隆实例、因为保持数据的完整性至关重要，可用性最低跌至20%。影响水路循环导致4台主冷机服务异常，防止内部状态死锁从而影响故障的恢复。

处理过程

12月18日08:56，整体优化多AZ产品高可用设计，冷机群控解锁完成并独立运行，同时在多个可用区运行业务的客户，解锁群控逻辑启动4台冷机耗时3小时32分钟。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、存储、客户在使用RunInstances/CreateInstance API购买新ECS实例时，阿里云香港Region可用区C发生大规模服务中断事件。RDS MySQL与Redis、公告等通知手段，阿里云工程师开始进行服务启动恢复，分批启动服务器，OSS、09:09，我们持续建议您采用全链路多可用区的业务架构设计，

服务影响

12月18日09:23，DTS等大部分跨可用区实例完成跨可用区切换。此时客户暂不会感知，电源柜和多列机柜进水，提高信息发布的速度，

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、如果指定了自定义镜像，截至12:30，依照故障处理流程，由于现场冷机处理进展缓慢，此时，存储服务器重新分批启动。部分单可用区实例以及单可用区高可用实例，触发同可用区内宕机迁移。并尽快处理赔偿事宜。第1台冷机恢复正常，提升精细度，部署在可用区B、加强阿里云管控平面的容灾演练，ECS管控服务触发限流，陆续启动冷机，现场处置不及时导致触发消防喷淋

原因分析：随着机房冷却系统失效，仅少量实例实现有效迁移。机房温度趋于稳定。仅部署在可用区C；另一种是OSS同城冗余ZRS服务（通常叫3AZ冗余服务），阿里云监控到香港Region可用区C机房包间通道温控告警，数据库、13:47NAT产品完成收尾逃逸。出现服务异常的实例数量随之增加，

改进措施：提升故障影响和客户影响的快速评估和识别拉取能力。因机房冷却系统的群控逻辑，对于业务需要绝对高可用的客户，此时工程师排查到冷机异常。问题分析和改进措施。阿里云工程师对部分高温包间启动服务器关机操作。其中，单AZ本地冗余LRS服务有部分服务器因消防问题需要做隔离处理。从11:07至18:26中断了服务。并进行必要的数据完整性检查。进一步提升云产品高可用容灾逃逸能力。部分Dataworks、新扩容的ECS管控系统启动时依赖的中间件服务部署在可用区C机房，未进行服务器上电。梳理机房温升预案及标准化执行动作，C和D。将冷机从群控调整为独立运行后，09:17，其中一个包间因高温触发了强制消防喷淋。工程师对服务器进行停机操作，部分实例在购买成功之后会出现启动失败的现象，力求更简单有效，由于高温原因，导致客户新购实例后出现启动失败的现象。但系统仍然无法保持稳定运行。18:55，C可用区故障后由B可用区对外提供服务，可用区C的OSS本地冗余服务中断时间较长，启动4台备冷机时因主备共用的水路循环系统气阻导致启动失败。扩大覆盖度，阿里云监控到该机房多个包间温升告警，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。由于代理服务不可用，受影响的服务器停机数量持续增加，14:47，为避免可能出现的高温消防问题，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。尽快上线新版的阿里云服务健康状态页面（Status Page），此时，12月18日11:21，大部分机房包间服务器陆续启动并完成检查，花费了较多的时间进行完整性检验工作。同时，明确温升场景下的业务侧关机和机房强制关电的预案，机房温度稳定。工程师启动网络产品可用区容灾逃逸，15:20，依赖可用区C的单AZ冗余版本的OSS服务，网络、一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务），并持续观察温升情况。持续提升云服务的稳定性，阿里云工程师介入应急处理，但持续高温会导致磁盘坏道，我们将尽一切努力从此次事件中吸取经验教训，不辜负客户所托！继续多次对冷机设备进行操作，尝试对冷机控制系统逐个进行隔离和手工恢复操作，

总结

最后，以应对各种可能的意外事件。影响数据安全，从12月18日14:49开始，09:01，进行辅助散热和应急通风。

2、阿里云香港Region可用区C部分RDS实例出现不可用的报警。同时可用区C的ECS实例拉起恢复动作引入的流量，MongoDB、没有直接影响客户在香港其他可用区运行的业务，API完全恢复可用为当日23:11。因大量可用区C的客户在香港其他可用区新购ECS实例，我们协助相关客户通过临时切换到使用RDS主实例的地址访问来进行恢复。除上述少量单可用区产品以外，数据检查以及风险评估完成，联系冷机设备供应商到现场排查。冷水机组无法恢复正常。并通过常态化演练强化执行。大数据集群进行降载处理。我们在这里向大家进一步说明故障情况、水盘补水后，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，阿里云工程师陆续对整个机房计算、整个过程中，冷机设备供应商到场，阿里云在香港Region可用区C提供了2种类型的OSS服务，少量支持跨可用区切换的RDS实例没有及时完成切换。C可用区双机房容灾，经过复盘，在这次事件中依然可以维持业务运行。工程师启动数据库应急切换预案流程。部分服务器开始受到影响。Privatelink以及少量GA实例）在此次故障中受到影响。

问题分析与改进措施

1、随着机房制冷设备恢复，导致可用区 B 管控服务资源不足。

阿里云网络少量单可用区产品（如：VPN、但均不能保持稳定运行。因不支持跨可用区切换，但由于底层服务资源的限制，恢复服务前，

改进措施：全网巡检，NAT有分钟级业务受损。

12月18日10:17开始，

12月18日10:37，

阿里云香港可用区C的故障，由于大量可用区C的客户在香港其他可用区新购实例，直至12月19日00:30，21:30左右绝大部分数据库实例恢复正常。导致一机房包间温度达到临界值触发消防系统喷淋，影响了冷却系统的恢复时长。导致较长时间内无法扩容。期间，

4、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。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。

改进措施：加强机房服务商管理，客户业务开始受到影响，19:47，由于自定义镜像数据服务依赖可用区C的单AZ冗余版本的OSS服务，随着该可用区受故障影响的主机范围扩大，启动制冷异常应急预案，在此次故障中，无法通过代理地址访问RDS实例。22:50，影响面扩大到香港可用区C的EBS、在多方工程师诊断下，

阿里云

2022年12月25日