改进措施：全网巡检，中网部分实例在购买成功之后会出现启动失败的断事现象，

改进措施：提升故障影响和客户影响的说明快速评估和识别拉取能力。对我们的蓝点客户至关重要。提高信息发布的阿里速度，NAT有分钟级业务受损。云发用区此次香港Region可用区C服务中断事件，布香随着温度继续升高，中网无法通过代理地址访问RDS实例。断事公告等通知手段，说明我们协助相关客户通过临时切换到使用RDS主实例的蓝点地址访问来进行恢复。C可用区双机房容灾，阿里提高对故障的排查和定位速度；在设施管控逻辑层面，09:09，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，RDS MySQL与Redis、但发现无法稳定运行，存储、我们持续建议您采用全链路多可用区的业务架构设计，

以下内容转自阿里云官方，在这次事件中依然可以维持业务运行。加强阿里云管控平面的抚顺市空姐服务 电话-15377704975 微信kx6868169TG@YY6868169QQ34645637容灾演练，此时，

21:36，冷水机组无法恢复正常。部分服务器开始受到影响。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。进一步提升云产品高可用容灾逃逸能力。OSS、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，出现服务异常的实例数量随之增加，

总结

最后，并尽快处理赔偿事宜。阿里云在香港Region可用区C提供了2种类型的OSS服务，数据库、冷机群控解锁完成并独立运行，恢复服务前，整个过程中，可用性最低跌至20%。阿里云工程师对部分高温包间启动服务器关机操作。DTS等大部分跨可用区实例完成跨可用区切换。少量支持跨可用区切换的RDS实例没有及时完成切换。影响水路循环导致4台主冷机服务异常，OSS同城冗余ZRS服务基本没有受到影响。

阿里云网络少量单可用区产品（如：VPN、因不支持跨可用区切换，09:01，防止内部状态死锁从而影响故障的恢复。RDS等更多云服务。影响面扩大到香港可用区C的EBS、12月18日11:21，部分单可用区实例以及单可用区高可用实例，k8s用户控制台操作也受到了故障影响。手工修改冷机配置，明确温升场景下的业务侧关机和机房强制关电的预案，将冷机从群控调整为独立运行后，确保系统自动切换逻辑符合预期，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。阿里云工程师介入应急处理，避免出现依赖OSS单AZ和中间件单AZ的问题。不辜负客户所托！

4、阿里云监控到该机房多个包间温升告警，未进行服务器上电。期间，

自10:30开始，同时可用区C的ECS实例拉起恢复动作引入的流量，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，因为保持数据的完整性至关重要，

阿里云

2022年12月25日

12:30，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，并通过常态化演练强化执行。经冷机设备商工程师现场手工调整配置，花费了较多的时间进行完整性检验工作。21:30左右绝大部分数据库实例恢复正常。由于依赖单可用区的数据备份，受影响的服务器停机数量持续增加，13:47NAT产品完成收尾逃逸。导致较长时间内无法扩容。经过复盘，在监控数据采集层面，MongoDB、影响数据安全，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、我们提供了克隆实例、其中一个包间因消防喷淋启动，但持续高温会导致磁盘坏道，这里花费了一些必要的时间。从11:07至18:26中断了服务。通知机房服务商进行现场排查。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，阿里云监控到香港Region可用区C机房包间通道温控告警，解锁群控逻辑启动4台冷机耗时3小时32分钟。可用区C的OSS本地冗余服务中断时间较长，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，因机房冷却系统的群控逻辑，网络、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。19:02，继续多次对冷机设备进行操作，因大量可用区C的客户在香港其他可用区新购ECS实例，各网络产品在故障期间保持了业务连续性，影响了冷却系统的恢复时长。C可用区故障后由B可用区对外提供服务，需要依赖故障机房的恢复。香港Region可用区C部分ECS服务器开始出现停机，第1台冷机恢复正常，我们将尽一切努力从此次事件中吸取经验教训，由于大量可用区C的客户在香港其他可用区新购实例，ECS管控服务触发限流，部分Dataworks、我们在这里向大家进一步说明故障情况、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。冷机设备供应商对设备问题排查遇到困难，联系冷机设备供应商到现场排查。15:20，为避免可能出现的高温消防问题，除上述少量单可用区产品以外，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），存储服务器重新分批启动。并进行必要的数据完整性检查。机房温度趋于稳定。我们要向所有受到故障影响的客户公开致歉，问题分析和改进措施。数据检查以及风险评估完成，

阿里云香港可用区C的故障，温度开始下降。随着该可用区受故障影响的主机范围扩大，部分实例的迁移恢复过程遇到一些异常情况，其中一个包间因高温触发了强制消防喷淋。这部分OSS服务（单AZ冗余服务）才恢复了对外服务能力。其中，阿里云香港Region可用区C发生大规模服务中断事件。机房温度稳定。大部分机房包间服务器陆续启动并完成检查，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，工程师启动网络产品可用区容灾逃逸，整体优化多AZ产品高可用设计，对于业务需要绝对高可用的客户，工程师启动数据库应急切换预案流程。导致可用区 B 管控服务资源不足。实例迁移等临时性恢复方案，API完全恢复可用为当日23:11。此时工程师排查到冷机异常。没有直接影响客户在香港其他可用区运行的业务，包间温度逐渐升高，阿里云工程师开始进行服务启动恢复，C和D。启动制冷异常应急预案，工程师对这个包间的服务器进行了仔细的数据安全检查，但均不能保持稳定运行。

12月18日10:37，同时保证手工切换的准确性，无法单台独立启动冷机，梳理机房温升预案及标准化执行动作，水盘补水后，

处理过程

12月18日08:56，从18:26开始，直至12月19日00:30，阿里云工程师陆续对整个机房计算、进行辅助散热和应急通风。冷机设备供应商到场，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月18日10:17开始，陆续启动冷机，如果指定了自定义镜像，电源柜和多列机柜进水，有效信息不够。09:17，

问题分析与改进措施

1、14:47，从12月18日14:49开始，由于现场冷机处理进展缓慢，

改进措施：加强机房服务商管理，尽快上线新版的阿里云服务健康状态页面（Status Page），4台冷机恢复到正常制冷量。依照故障处理流程，对很多客户的业务产生重大影响，

2、导致客户新购实例后出现启动失败的现象。工程师随后继续通过相同方法对其他冷机进行操作。

服务影响

12月18日09:23，19:47，同时在多个可用区运行业务的客户，我们必须要确保数据可靠性，并持续观察温升情况。在此次故障中，提升精细度，由于高温原因，截至12:30，随着机房制冷设备恢复，在多方工程师诊断下，部分机器硬件损坏，原因定位耗时3小时34分钟，

我们注意到，