
Vũ Khôi
Tác giả tại Wotech Electronics Blog

Microsoft 365 大面积宕机:源自 7 月补丁的潜伏缺陷与新硬件悖论
在上周持续近一天的服务中断之后,微软发布了初步调查报告。原因并非网络攻击或新的配置错误,而是源于 4 个月前一次更新的连锁故障。MCSA/Azure/AWS VNPro 小组中 Phùng Nguyễn Hoàng Khôi 的一篇帖子根据 Network World 的分析,总结了微软报告中的事件经过。
快速回答: Microsoft 365 宕机的原因是 2026 年 7 月部署的一个网络网关服务器补丁,该缺陷静默存在了 3 个多月,直到遭遇流量激增才爆发。由于微软实验室使用的服务器核心数少于生产环境,该缺陷未被发现,而颇具讽刺意味的是,它在生产环境中更新型的多核心服务器上爆发得更为严重。不到 2 小时内,超过 80% 的系统停止响应。恢复工作十分困难,因为回滚无法处理一个已存在数月的缺陷,甚至连微软的状态页面也因与故障系统共用基础设施而一同宕机。
网络网关服务器(networking gateway) 是将流量转发到 Exchange Online 和 Teams 等 Microsoft 365 服务的服务器层。当网关层发生故障时,即使用户背后的服务仍在运行,用户也无法访问——这就是为什么网关层的一个缺陷会造成大面积宕机。
源自 7 月的潜伏缺陷是什么?
根据该帖子,根源始于 2026 年 7 月部署的一个 Microsoft 365 网络网关服务器补丁。在 3 个多月的时间里,该补丁运行完全正常——直到遭遇流量激增条件,其中的资源争用缺陷才爆发。
值得注意的是,该缺陷并不在刚刚发布的变更中。它在系统中“沉睡”了整整一个季度,经历了所有正常运行,直到负载超过某个阈值才显现。这是对运维团队最危险的一种缺陷:一切看起来都正常,直到恰恰在高峰时刻出问题。
为什么实验室没有发现这个缺陷?
该帖子指出了测试环境的漏洞:微软实验室使用的服务器配置较弱,核心数少于实际生产环境。这种资源争用缺陷在少核心配置上不会显现,因此它通过了测试并进入生产环境。
悖论在于:该缺陷在生产环境中更新型的多核心服务器上爆发得更为严重。硬件越强、核心越多,资源争用缺陷爆发的“空间”就越大。该帖子称之为新硬件悖论——硬件升级本应提高可靠性,却无意中让一个潜伏缺陷变得更加严重。
连锁故障是如何展开的?
宕机并非瞬间爆发,而是在多个条件同时累积后发生的,顺序如下(帖子根据报告总结):
| 时间 / 条件 | 经过 | 为什么重要 |
|---|---|---|
| 宕机前约 15 小时 | Microsoft Teams 将流量转移到与 Exchange Online 共用主网络网关,推高了负载 | 一次合理的流量变更无意中将负载推近了潜伏缺陷的爆发阈值 |
| 与此同时 | 近 14% 的服务器容量因前一天的另一起事件而处于离线状态 | 系统在低于正常冗余的情况下进入事件 |
| 首批服务器过载 | 过载服务器断开连接,系统自动将流量转移到剩余服务器 | 本应拯救系统的负载均衡反而成为连锁反应的传导器 |
| 不到 2 小时后 | 超过 80% 的系统停止响应 | 扩散速度太快,人工干预来不及 |
这一连串事件表明,大面积宕机很少只有一个原因:潜伏缺陷、负载上升、备用容量减少和自动流量转移共同产生了共振。
为什么恢复工作如此困难?
根据该帖子,由于缺陷已在系统中存在数月,常规的自动回滚流程无法快速处理——没有一个“最近的变更”可以回退。每当技术人员重启一台服务器,积压的访问量就会立即涌入并再次使其挂起。
这是恢复工作中熟悉的陷阱:刚启动的服务器在能够稳定下来并分担负载之前,就被回流的积压流量击垮。因此恢复工作不仅是修复缺陷,还要控制回流的访问浪潮。
值得注意的两个运维教训
该帖子引用安全专家的观点,指出了从这次事件中得出的两个重大问题:
- 静默自动处理小错误可能掩盖重大事件。 系统在最初 15 小时内自动静默处理零星小错误,无意中掩盖了事件的严重程度,导致紧急警报直到局势失控才触发。自动化是好事,但如果它“吞掉”了警告信号,运维团队就会失去及早干预的黄金时间。
- 状态页面必须独立于它所监控的基础设施。 甚至连微软的状态页面也因与故障系统共用基础设施而宕机——恰恰在用户最需要信息的时候,官方信息渠道却沉默了。
这两个教训并非微软独有:它们是所有大型系统的常见陷阱——警报被自动化淡化,以及事件信息渠道依赖于正在出问题的系统本身。
常见问题
1. 这次宕机是网络攻击造成的吗? 根据帖子总结的初步调查报告,不是。原因是 2026 年 7 月网络网关补丁中的潜伏缺陷,而非网络攻击或新的配置错误。
2. 为什么缺陷存在了 4 个月才爆发? 该补丁正常运行了 3 个多月,因为资源争用缺陷只在流量激增条件下才会显现。当负载急剧上升——部分原因是 Teams 将流量转移到共用网关——缺陷才爆发。
3. 为什么更新型的多核心服务器受影响更严重? 根据该帖子,资源争用缺陷在多核心生产服务器上爆发得更为严重,而实验室使用核心数较少的服务器,因此没有发现。这是该帖子强调的悖论。
4. 超过 80% 的系统在多长时间内宕机? 根据该帖子,从首批服务器过载起不到 2 小时,超过 80% 的系统因连锁流量转移效应而停止响应。
5. 对运维团队最大的教训是什么? 该帖子指出了两点:不要让系统静默自动处理小错误以至于掩盖事件的严重程度,并将状态页面放在独立于其监控系统的基础设施上。
来源:Phùng Nguyễn Hoàng Khôi 在 MCSA/Azure/AWS VNPro 小组中的帖子(2026 年 11 月 18 日),根据 Network World(Evan Schuman)的分析总结微软的初步调查报告。本文中的细节和观点属于原始来源,未经 Wotech 独立核实。本文是 Wotech 此前关于 2026 年 11 月 13 日宕机本身文章的后续报道。
Bài viết liên quan

18 tháng 11, 2026 · 2 phut doc
FPT Software 董事长:美国客户不再愿意按小时付费,公司转向按结果收费
人工智能正在迫使 FPT Software 转变其传统的软件外包模式:美国的大客户现在采用 100% 按结果付费的模式,公司预计 Time and Materials 模式的占比将在 2027 年降至约 50%。这是 FPT Software 董事长 Chu Thị Thanh Hà 在接受《日经新闻》采访时分享的内容——据 Hỏi Dân IT Official 页面的帖子(2026 年 11…

18 tháng 11, 2026 · 2 phut doc
Meta 将 Muse 扩展到澳大利亚:第六个国家、实时语音和本地应用集成
2026 年 11 月 17 日,Meta 将 Muse 扩展到澳大利亚市场——这是第六个获得官方支持的国家,距离其在美国上线仅两个多月。据 Hồ Hoàng Tiến 的帖子(2026 年 11 月 18 日)所说,值得注意的不仅是新增一个市场,而是 Meta 正在逐步将 Muse 从对话式 AI 工具发展为能够与应用交互、处理工作并执行所分配任务的助手。本文中的所有时间、功能和观点均来自该帖…

18 tháng 11, 2026 · 2 phut doc
AI 智能体成本随步骤数的平方增长:在换用更便宜的模型之前,先用 4 层方法削减 Token 开支
你不是在为答案付费——你是在为重复询问同一件事的次数付费。这是 Hoang Viet AI 在 comailo 小组帖子(2026 年 11 月 18 日)中的核心论点:一个运行 40 个步骤的智能体,在每一步都重新发送完整的对话历史,它不是在为 40 个答案付费,而是在为同一段上下文付费 40 次——而且这段上下文在每一步之后都会变长。该帖子也坦率地说明了它所依据的病毒式传播故事的局限性:作者…