Privatelink以及少量GA实例）在此次故障中受到影响 。阿里09:09，云发用区因机房冷却系统的布香群控逻辑，

阿里云网络少量单可用区产品（如 ：VPN、中网尽快上线新版的断事阿里云服务健康状态页面（Status Page），继续多次对冷机设备进行操作，说明通知机房服务商进行现场排查
。蓝点以应对各种可能的阿里意外事件
。冷机系统故障恢复时间过长

原因分析
：机房冷却系统缺水进气形成气阻 ，云发用区从12月18日14:49开始，布香导致客户新购实例后出现启动失败的中网现象。由于高温原因 ，断事我们提供了克隆实例 、说明4台冷机恢复到正常制冷量。蓝点但系统仍然无法保持稳定运行。阿里可用区C的OSS本地冗余服务中断时间较长，

自10:30开始
，扩大覆盖度，09:01，阿里云工程师介入应急处理，09:17，ECS管控服务触发限流，需要花费较长的时间来处理解决 。由于现场冷机处理进展缓慢，经冷机设备商工程师现场手工调整配置，期间，除上述少量单可用区产品以外
，同时 ，部分单可用区实例以及单可用区高可用实例，C可用区双机房容灾，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，数据库、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。为避免可能出现的高温消防问题 ，阿里云监控到香港Region可用区C机房包间通道温控告警 ，触发同可用区内宕机迁移。影响面扩大到香港可用区C的EBS 、工程师对服务器进行停机操作 ，有效信息不够。冷水机组无法恢复正常。因为保持数据的完整性至关重要
，冷机群控解锁完成并独立运行，温度开始下降。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 ，

改进措施 ：全网巡检，依赖可用区C的单AZ冗余版本的OSS服务 ，解锁群控逻辑启动4台冷机耗时3小时32分钟
。OSS同城冗余ZRS服务基本没有受到影响 。冷却水管路及冷机冷凝器进行手工补水排气操作  ，工程师随后继续通过相同方法对其他冷机进行操作 。工程师对这个包间的服务器进行了仔细的数据安全检查 ，持续提升云服务的稳定性 ，

4 、香港Region可用区C部分ECS服务器开始出现停机，由于代理服务不可用 ，这里花费了一些必要的时间
 。直至12月19日00:30 ，提高信息发布的速度 ，Status Page页面信息更新不及时引发客户困惑。其中，各网络产品在故障期间保持了业务连续性，影响数据安全，工程师启动网络产品可用区容灾逃逸，力求更简单有效 ，确保系统自动切换逻辑符合预期  ，ECS管控依赖的自定义镜像数据服务 ，分批启动服务器，从11:07至18:26中断了服务。

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 。不辜负客户所托 ！

改进措施
：全面检查机房基础设施管控系统，在监控数据采集层面，k8s用户控制台操作也受到了故障影响 。DTS等大部分跨可用区实例完成跨可用区切换 。电源柜和多列机柜进水
，部分实例在购买成功之后会出现启动失败的现象 ，导致较长时间内无法扩容 。阿里云本着负责任的态度公布了这次中断事件的完整报告，12:45完成SLB等大部分网络产品可用区容灾逃逸 ，但发现无法稳定运行 ，随着温度继续升高，机房服务商按应急预案对异常冷机进行4+4主备切换以及重启，

服务影响

12月18日09:23  ，经过复盘
 ，联系冷机设备供应商到现场排查 。

2 、如果指定了自定义镜像 ，部署在可用区B、启动制冷异常应急预案，

改进措施 ：加强机房服务商管理 ，并尽快处理赔偿事宜。

阿里云香港可用区C的故障，C和D。C可用区故障后由B可用区对外提供服务，公告等通知手段
，阿里云香港Region可用区C部分RDS实例出现不可用的报警。NAT有分钟级业务受损 。因不支持跨可用区切换，加强阿里云管控平面的容灾演练 ，对我们的客户至关重要。此时  ，冷机设备供应商对设备问题排查遇到困难
，存储服务器重新分批启动。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、由于大量可用区C的客户在香港其他可用区新购实例，明确温升场景下的业务侧关机和机房强制关电的预案 ，阿里云香港Region可用区C发生大规模服务中断事件。此时 ，

12月18日10:37，RDS MySQL与Redis、水盘补水后，实例迁移等临时性恢复方案 ，问题分析和改进措施。阿里云监控到该机房多个包间温升告警，部分实例的迁移恢复过程遇到一些异常情况，陆续启动冷机，导致一机房包间温度达到临界值触发消防系统喷淋，花费了较多的时间进行完整性检验工作。整体优化多AZ产品高可用设计 ，

12月18日10:17开始，对冷塔、

21:36 ，第1台冷机恢复正常 ，无法通过代理地址访问RDS实例。12月18日11:21，可用性最低跌至20% 。18:55 ，同时在多个可用区运行业务的客户，导致可用区 B 管控服务资源不足。提高对故障的排查和定位速度；在设施管控逻辑层面，

处理过程

12月18日08:56
，这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。在多方工程师诊断下，增加了后续恢复难度和时长
。受影响的服务器停机数量持续增加，存储、数据检查以及风险评估完成 ，对很多客户的业务产生重大影响 ，14:47，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 ，但操作失败，防止内部状态死锁从而影响故障的恢复
。工程师启动数据库应急切换预案流程 。阿里云工程师开始进行服务启动恢复，原因定位耗时3小时34分钟，大数据集群进行降载处理。无法单台独立启动冷机，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 ，并进行必要的数据完整性检查。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 
，将冷机从群控调整为独立运行后，进一步提升云产品高可用容灾逃逸能力。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 。OSS、需要依赖故障机房的恢复。19:02，我们将尽一切努力从此次事件中吸取经验教训，并通过常态化演练强化执行 。13:47NAT产品完成收尾逃逸。此时客户暂不会感知，21:30左右绝大部分数据库实例恢复正常。其中一个包间因高温触发了强制消防喷淋。稳定性是云服务的生命线，

我们注意到 ，同时保证手工切换的准确性，此次香港Region可用区C服务中断事件，RDS等更多云服务。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。一种是OSS本地冗余LRS服务（通常叫单AZ冗余服务）
，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，没有直接影响客户在香港其他可用区运行的业务，阿里云工程师陆续对整个机房计算 、冷机设备供应商到场，避免出现依赖OSS单AZ和中间件单AZ的问题 。19:47 ，15:20，MongoDB
、此时工程师排查到冷机异常 。

阿里云

2022年12月25日

阿里云工程师对部分高温包间启动服务器关机操作。我们要向所有受到故障影响的客户公开致歉，在这次事件中依然可以维持业务运行 。

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、但均不能保持稳定运行
。但持续高温会导致磁盘坏道 ，阿里云在香港Region可用区C提供了2种类型的OSS服务，影响了冷却系统的恢复时长。依照故障处理流程，我们持续建议您采用全链路多可用区的业务架构设计，我们必须要确保数据可靠性，仅少量实例实现有效迁移。梳理机房温升预案及标准化执行动作
，对于业务需要绝对高可用的客户，22:50，但由于底层服务资源的限制，少量支持跨可用区切换的RDS实例没有及时完成切换
。API完全恢复可用为当日23:11。

问题分析与改进措施

1 、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
。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，我们在这里向大家进一步说明故障情况、恢复服务前，并持续观察温升情况。大部分机房包间服务器陆续启动并完成检查，从18:26开始，机房温度稳定。在此次故障中 
，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），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 。网络、未进行服务器上电
。补水排气耗时2小时57分钟，手工修改冷机配置，出现服务异常的实例数量随之增加，客户在使用RunInstances/CreateInstance API购买新ECS实例时 ，因大量可用区C的客户在香港其他可用区新购ECS实例
，无法通过重试解决  。部分服务器开始受到影响。机房温度趋于稳定。整个过程中，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，影响水路循环导致4台主冷机服务异常，

12:30，包间温度逐渐升高
，

以下内容转自阿里云官方
 ，客户业务开始受到影响，进行辅助散热和应急通风。随着机房制冷设备恢复，同时可用区C的ECS实例拉起恢复动作引入的流量，提升精细度 ，部分机器硬件损坏
，但影响了香港Region ECS管控服务（Control Plane）的正常使用。部分Dataworks、截至12:30，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。其中一个包间因消防喷淋启动 ，随着该可用区受故障影响的主机范围扩大 ，由于依赖单可用区的数据备份，