微软近日发布初步事后报告,确认上周发生的 Microsoft 365 大规模服务中断是由一个在 2026 年 7 月更新中引入的软件缺陷所致。该缺陷在长达数月的时间内处于休眠状态,直到一次 Teams 故障转移与网关容量同时减少 14% 的事件叠加,才引发了级联失效。

据 The Register 报道,微软于 11 月 15 日发布的这份报告显示,尽管该更新在当时通过了负载测试并顺利部署,但测试环节存在不足。微软指出:“我们的负载测试往往侧重于核心数较少的较弱硬件。”然而,该缺陷会在内部 Windows 进程中引发“锁竞争”,导致机器的 CPU 和内存资源耗尽。值得注意的是,“在拥有更多核心和新硬件的机器上,这种竞争问题会加剧。”
此次含有缺陷的修复程序专门针对 Microsoft 365 网络网关服务器。事故触发时发生了两个并发事件:首先,Teams 故障转移至支持 Exchange Online 的“主”网关,导致负载激增,但这本身并不罕见;其次,约 14% 的网络网关服务器容量暂时不可用。微软表示,这部分容量正在恢复中,且当时“服务拥有足够的容量余量”。然而,这两件事共同将网关推入了缺陷触发条件,导致混乱发生。
这是一个典型的级联失效场景。当一台服务器失去连接时,流量会被路由到下一个健康端点,但该端点随即遭遇相同问题,流量再次被重新路由……如此循环往复。报告称,在短短两小时内,该缺陷波及了微软整个服务器集群。“在最低谷时期,超过 80% 的服务器无响应。”
面对这一状况,常规的恢复手段失效。重启服务器并无帮助,因为它们立即再次过载并崩溃。微软解释道:“我们通常自动化的恢复流程并非设计用于从这种广泛的无响应状态中恢复服务。”此外,由于缺陷已存在数月,简单的回滚操作也无法执行。
最终,工程师们开发了一个“补丁的补丁”,即微软所称的“将代码路径返回到 Windows 中先前已知良好状态的更新”。该补丁被分批应用于服务器组,服务得以逐步恢复。





