Digitalna Srpska

Microsoft zakazao zbog jedne greške: Mjesecima nisu otkrili problem koji je izazvao veliki kolaps

Microsoft je konačno objasnio šta je izazvalo globalni prekid rada Microsoft 365 servisa 12. i 13. novembra, tokom kojeg milioni korisnika nisu mogli normalno da pristupe elektronskoj pošti i drugim cloud uslugama.

Djevojka radi na laptopu
FOTO: FREEPIK

Uzrok je bila skrivena softverska greška u Windows serverima koja je mjesecima prolazila neprimijećeno, sve dok promjena mrežnog saobraćaja nije izazvala lančani kolaps infrastrukture.

Pročitajte još

Prema preliminarnom izvještaju kompanije, problem je nastao još u julu, kada je uvedena izmjena namijenjena serverima koji upravljaju mrežnim konekcijama Microsoft 365 platforme. Greška je ostala neotkrivena više od tri mjeseca, jer se ispoljavala samo pod specifičnim opterećenjem.

Kada su određeni procesi počeli istovremeno da zahtijevaju pristup zajedničkim resursima, serveri su trošili sve više procesorske snage i memorije, sve dok nisu prestali da odgovaraju na nove zahtjeve.

Situaciju su dodatno pogoršala dva problema. Oko 15 sati prije početka prekida, saobraćaj servisa Teams preusmjeren je na glavnu mrežnu infrastrukturu koju koristi i Exchange Online. Istovremeno, oko 14 odsto serverskih kapaciteta već nije bilo dostupno zbog drugog, nepovezanog problema.

Kombinacija tih okolnosti izazvala je preopterećenje. Kada su pojedini serveri prestali da rade, automatski sistemi pokušali su da preusmjere korisnike na preostale funkcionalne servere. Međutim, dodatni saobraćaj aktivirao je istu grešku i na njima.

Na vrhuncu incidenta više od 80 odsto pogođenih servera prestalo je da odgovara, a problemi su se za manje od dva sata proširili kroz više regiona.

Najteže je pogođen Exchange Online, zbog čega mnogi korisnici nisu mogli da pristupe Outlook pošti, dok su poruke kasnile sa isporukom. Problemi su zahvatili i Teams, SharePoint, OneDrive i druge Microsoft 365 servise.

Oporavak nije bio jednostavan. Ponovno pokretanje servera često nije pomagalo, jer bi ih nagomilani zahtjevi odmah ponovo preopteretili. Microsoftovi inženjeri morali su da pripreme ispravku koja vraća prethodni način obrade konekcija, postepeno popravljaju grupe servera i pažljivo vraćaju korisnički saobraćaj.

Prekid je trajao gotovo 24 sata, od 12. novembra u 17.20 do 13. novembra u 17.10 po srednjoevropskom vremenu.

Microsoft naglašava da greška nije povezana sa Windowsom na kućnim i poslovnim računarima, već isključivo sa specifičnim serverskim sistemima koji opslužuju njegove cloud usluge. Incident takođe nije bio posljedica hakerskog napada.

Kompanija najavljuje konačni izvještaj sa dodatnim mjerama za sprečavanje sličnih problema, planiran za 20. novembar, prenosi Telegraf.rs.