微软云服务状态页显示，Microsoft 365多项服务出现大范围连接故障，事件编号MO1550821，受影响服务包括Exchange Online、Teams、SharePoint Online、Microsoft Copilot、Defender XDR、Planner、To Do以及Purview的多项子服务，当前状态为服务降级。微软初步调查显示，故障可能源于受影响服务器上一个负责处理健康检查的特定组件失效，导致大量服务器意外下线，剩余基础设施负载激增，进而引发多区域连接错误，且服务器在处理请求时出现处理器使用率异常升高。微软在近期变更审查中还发现少量配置更新可能是潜在诱因。恢复方面，微软已暂停所有部署与配置变更，先在部分服务器上部署针对性变更以绕过故障组件，验证有效后正扩大应用范围；同时准备自动化恢复流程，持续检测并重启无响应服务器；并已完成全球范围内连接流量重新分配，将更多流量转移至其他基础设施，页面标题“我们正在重新路由协议”即指向这项工作。Hacker News社区讨论中，有用户批评状态页面需登录才能查看，认为认证服务故障时将无法获知状态；另有用户指出存在无需登录的公开版本。还有用户报告无法登录账号、2FA验证码邮件未送达、Outlook返回错误语言提示等问题，另有评论猜测“负载增加”的表述可能指向DDoS攻击，登录重定向客观上起到了流量分流作用。
事件分析
此次故障的核心技术看点在于“健康检查机制本身成为故障源头”的悖论：本用于保障可用性的组件失效后，引发服务器批量下线与负载雪崩式转移，形成典型级联故障。微软采取绕过故障组件、自动化检测重启的组合策略，说明超大规模分布式系统中传统人工排查已难以及时响应，自动化自愈能力正成为云厂商的刚需。值得注意的是，Copilot等AI服务与邮件、协作工具共用同一套基础设施，说明AI应用尚未形成独立的可靠性边界。产业层面，微软云服务近期多次宕机持续暴露云集中化风险，可能推动企业客户重新评估多云与混合部署策略。后续值得关注的走向包括：根因究竟落在组件缺陷还是配置变更、自动化恢复机制会否成为行业标配，以及关键云服务故障披露的透明度要求是否进一步收紧。
核心观点：健康检查反成故障源头，Copilot与传统服务共享同一故障域，AI应用的可靠性仍被底层云基础设施的短板所钳制。
原文链接：Hacker News
