Lamanna detalló en un mensaje publicado en X que tres factores coincidieron para provocar la caída. Primero, un defecto latente causó que los servidores se sobrecargaran y dejaran de responder bajo ciertas condiciones de carga, debido a una contención de bloqueos dentro de un proceso interno. El problema se introdujo en una actualización que comenzó a desplegarse en julio y permaneció más de tres meses sin manifestarse de forma visible.
El ejecutivo señaló que este fallo no se detectó en los laboratorios de pruebas de la compañía, pero sí apareció en equipos con más núcleos y hardware más reciente, más potentes que las configuraciones utilizadas en las pruebas. En segundo lugar, un aumento de la carga elevó la probabilidad de que las puertas de enlace de red experimentaran el problema de contención.
Microsoft 365 cuenta con dos sistemas de puerta de enlace independientes. Unas quince horas antes de la interrupción global, Teams cambió de puerta de enlace y pasó a la que da servicio al correo electrónico Exchange Online. Esa combinación incrementó la carga y modificó los patrones de tráfico.
En tercer lugar, casi el 14 % de la capacidad de servidores de la puerta de enlace de red estaba fuera de servicio por un problema no relacionado ocurrido el día anterior. La suma de estos factores activó el fallo latente y dejó servidores sin respuesta. La redistribución automática del tráfico provocó un efecto en cascada que, en su peor momento, afectó a más del 80 % de los servidores.
Lamanna explicó que la recuperación tomó más tiempo de lo habitual porque, a medida que los equipos regresaban al servicio, se veían inmediatamente abrumados por el tráfico pendiente y volvían a dejar de responder. La compañía indicó que ofrecerá más detalles sobre el incidente a lo largo de esta semana.
Deja una respuesta