Internet

Microsoft otkrio šta je izazvalo kolaps: Jedna greška pokrenula domino-efekat

Microsoft otkrio šta je izazvalo kolaps: Jedna greška pokrenula domino-efekat
Foto: Tanjug/AP | Microsoft otkrio šta je izazvalo kolaps: Jedna greška pokrenula domino-efekat

Kompanja Microsoft objasnila je danas, da je do velikog globalnog prekida rada njegovih usluga, 12. novembra, došlo zbog kombinacije tri problema – softverske greške koja je nastala još u julu, naglog povećanja mrežnog opterećenja i smanjenog kapaciteta servera.

Kompanija je ovim objavila prve zvanične podatke o tome zašto su njihove usluge prestale da rade prošle sedmice.

Kako su naveli iz kompanije, ovi faktori izazvali su lančani pad sistema, zbog čega u jednom trenutku više od 80 odsto servera nije odgovaralo na zahtjeve korisnika.

Problem je pogodio brojne Microsoft 365 usluge, uključujući Exchange Online, dok su Teams, OneDrive, SharePoint i Office aplikacije ranije oporavljene. Iz Microsofta su se izvinili korisnicima zbog posljedica prekida rada i najavili detaljan izvještaj o incidentu.

Objavu na društvenoj mreži X podijelio je Čarls Lamana (Charles Lamanna), jedan od rukovodilaca Microsofta. On je prenio zvanično saopštenje kompanije o uzrocima globalnog prekida rada Microsoft 365 usluga.

Saopštenje koje je objavio prenosimo u cijelosti:

"Duboko se izvinjavamo zbog uticaja koji je ovaj incident imao na sve naše korisnike i svjesni smo posljedica koje je ostavio na njihovo uobičajeno poslovanje i rad.

Incident koji se dogodio u četvrtak, 12. novembra 2026. godine, izazvala su tri glavna faktora koja su zajedno dovela do globalnog prekida rada mrežnog prolaza koji opslužuje mnoge Microsoft 365 usluge.

Prvo, skrivena greška dovela je do toga da serveri postanu preopterećeni i prestanu da odgovaraju pod određenim uslovima opterećenja. Do toga je došlo zbog nadmetanja za zaključavanje unutar internog procesa, što je dovelo do toga da računar postane nedostupan. Ova greška bila je rezultat ispravke koja je pripremljena posebno za servere mrežnog prolaza Microsoft 365. Ni osnovna greška ni ispravka ne odnose se na šire instalacije Windowsa.

Početna promjena u ponašanju sistema prvi put je počela da se uvodi u julu ove godine. Ažuriranje je prošlo kroz postupak bezbjednog uvođenja i tokom nekoliko sedmica bilo je u potpunosti uvedeno na globalnom nivou, pri čemu nisu primijećeni nikakvi problemi. Više od tri mjeseca promjena je bila primijenjena širom svijeta bez ikakvih posljedica.

Naša uobičajena testiranja opterećenja nisu otkrila skrivenu grešku zbog drugačije strukture saobraćaja i kombinacije SKU konfiguracija koje se koriste u našim testnim laboratorijama. Problem nadmetanja za zaključavanje pogoršava se na računarima sa više procesorskih jezgara i novijim hardverom, dok su naša testiranja opterećenja uglavnom bila usmjerena na naše slabije hardverske SKU konfiguracije sa manjim brojem jezgara.

Drugo, nagli porast opterećenja povećao je vjerovatnoću da će mrežni prolazi naići na problem nadmetanja za zaključavanje. U okviru Microsoft 365 održavamo dva nezavisna i heterogena sistema mrežnih prolaza, projektovana radi izolacije i visoke dostupnosti. To omogućava mnogim Microsoft 365 uslugama da se tokom prekida rada ili poremećaja prebacuju na te sisteme ili sa njih. Približno petnaest sati prije prekida rada, Teams je prebačen sa alternativnog mrežnog prolaza na „primarni“ prolaz koji takođe podržava Exchange Online. To je povećalo opterećenje mrežnog prolaza i promijenilo obrasce njegovog saobraćaja. Ova vrsta prebacivanja dio je uobičajenog rada i sastavni je dio Microsoftovih standardnih napora za obezbjeđivanje otpornosti sistema.

Možda vas zanima:

Majkrosoft: Usluge u potpunosti obnovljene nakon globalnog prekida rada

Microsoft se opet oglasio: Otkrio jesu li hakeri ili AI krivi za globalni prekid rada

Treće, u isto vrijeme gotovo 14 odsto serverskog kapaciteta mrežnog prolaza bilo je van funkcije zbog nepovezanog problema od prethodnog dana. Bilo je predviđeno da se ovaj serverski kapacitet vrati u aktivnu upotrebu kroz rutinsko održavanje i postupke provjere ispravnosti sistema. Usluga je imala dovoljno rezervnog kapaciteta, tako da samo smanjenje serverskog kapaciteta nije imalo nikakvog uticaja.

Posmatrani zajedno, povećano opterećenje i smanjeni serverski kapacitet doveli su do toga da mrežni prolaz naiđe na skrivenu grešku iz jula. To je izazvalo nagomilavanje zahtjeva sve dok serveri na kraju nisu prestali da odgovaraju. To se dogodilo tokom perioda najvećeg saobraćaja u Sjedinjenim Američkim Državama.

Kada serveri izgube vezu, naši sistemi za upravljanje saobraćajem automatski preusmjeravaju korisnike na druge ispravne krajnje tačke. To se često dešava i od ključnog je značaja za izbjegavanje bilo kakvog prekida rada zbog hardverskih, softverskih ili mrežnih grešaka i upravo je ono što u normalnim okolnostima čini uslugu otpornom. Međutim, preusmjereni saobraćaj povećao je vjerovatnoću da se isti problem pojavi na preostalim krajnjim tačkama. To je izazvalo lančani pad sa servera na server, jer se ista količina opterećenja raspoređivala na sve manji broj servera. Za manje od dva sata prethodno nepoznata greška pojavila se širom naše serverske infrastrukture i učinila servere nesposobnim da odgovaraju. U najkritičnijem trenutku više od 80 odsto servera nije odgovaralo.

U normalnim okolnostima mrežni prolaz sastoji se od hiljada „jedinica kapaciteta“, koje predstavljaju dijelove kapaciteta, hardvera i mrežne infrastrukture. Ove „jedinice kapaciteta“ zatim se organizuju u regione. U ovom slučaju, zbog zasebnog problema, uobičajene zaštitne barijere između ovih različitih dijelova nisu zaustavile lančani pad. Upravo je to omogućilo da se posljedice prošire na našu infrastrukturu mrežnih prolaza širom svijeta.

Povezana vijest:

Microsoft u haosu: Popravke zapinju, banke upozoravaju

Nekoliko usluga, kao što su Teams, OneDrive, SharePoint i Office aplikacije, prebačeno je sa neispravne infrastrukture mrežnog prolaza. Zbog toga su te usluge ranije obnovljene, pri čemu su Teams razgovori i sastanci funkcionisali bez problema tokom većeg dijela prekida rada. Međutim, ne mogu sve usluge, poput Exchange Online, da se prebace sa ovog mrežnog prolaza.

Oporavak je trajao duže nego obično jer su serveri, čim bi se vratili u funkciju, odmah bili preopterećeni saobraćajem koji je čekao obradu i ponovo prestajali da odgovaraju. Naši uobičajeni automatizovani postupci oporavka nisu bili projektovani za obnavljanje usluge iz ovako široko rasprostranjenog stanja u kojem serveri ne odgovaraju. Osim toga, pošto je glavna greška u kodu bila skrivena greška od prije nekoliko mjeseci, naši uobičajeni mehanizmi za vraćanje na prethodnu verziju, postepeno uvođenje promjena i funkcionalne zastavice nisu mogli brzo da ponište promjenu.

Nakon što su inženjeri potvrdili da je greška uzrok problema, razvili smo ažuriranje kojim je putanja izvršavanja koda vraćena u prethodno poznato ispravno stanje. Da bismo efikasno primijenili ovu ispravku i postepeno ponovo pokrenuli uslugu, isključivali smo grupe servera iz rada, primjenjivali izmjenu i ponovo ih pokretali prije nego što bismo ih vratili u funkciju. Ovaj postupak pažljivo je primjenjivan na velikim količinama infrastrukture istovremeno (na primjer, na više od 50 odsto jednog regiona).

Konačni izvještaj o incidentu (Post-Incident Review – PIR) pružiće više detalja kasnije ove sedmice."

Najčitanije