Microsoft rivela: un bug software presente da luglio ha causato una massiccia interruzione globale di Microsoft 365

L’interruzione del servizio del 12 novembre ha gravemente compromesso le attività quotidiane di aziende ed enti pubblici in tutto il mondo, mettendo ancora una volta in luce le vulnerabilità operative e i rischi di concentrazione legati a una forte dipendenza da un unico fornitore cloud. Dopo la pubblicazione domenica di un rapporto preliminare destinato ai clienti, lunedì un vicepresidente esecutivo di Microsoft si è formalmente scusato su X per il disservizio. Nel momento più critico dell’interruzione, oltre l’80% dei server gateway di rete a supporto di Exchange Online ha smesso di rispondere. Sebbene applicazioni come Teams, OneDrive e SharePoint siano passate rapidamente a infrastrutture funzionanti, Outlook ed Exchange Online hanno continuato a utilizzare gateway difettosi durante le ore di punta dell’attività lavorativa negli Stati Uniti.

TMGM Analysis: Financial Market News, Economic Calendar & Market Insights

L’interruzione è stata causata da una combinazione di tre fattori operativi. Nella tarda serata dell’11 novembre, una procedura ordinaria di gestione automatizzata del traffico ha reindirizzato il traffico di Teams verso il gateway di rete principale, che già gestiva quello di Outlook. Nel frattempo, un intervento di manutenzione non correlato, eseguito il giorno precedente, aveva messo fuori servizio circa il 14% della capacità dei server del gateway, lasciando il sistema privo di capacità residua per assorbire il picco di traffico.

Il 12 novembre, il picco di traffico ha innescato un bug interno di contesa dei lock, introdotto con un aggiornamento del gateway a luglio, provocando l’esaurimento della memoria dei server e il loro arresto uno dopo l’altro. Ramanna ha spiegato che, nei tre mesi precedenti, i test standard di laboratorio eseguiti prima del rilascio non avevano rilevato il bug perché l’ambiente di test privilegiava hardware meno recente con un numero inferiore di core di elaborazione, anziché processori più recenti dotati di più core, sui quali era più probabile che si manifestasse il problema di contesa.

Il sistema di gestione automatizzata del traffico ha tentato di reindirizzare gli utenti verso nodi funzionanti, ma questo ha accelerato la propagazione dell’interruzione, sovraccaricando i server rimanenti. Allo stesso tempo, un problema distinto ha impedito al meccanismo standard di isolamento delle partizioni di circoscrivere il guasto a specifiche regioni. Di conseguenza, il bug si è propagato all’intera infrastruttura server globale di Microsoft in meno di due ore.

Il ripristino ha richiesto tempi insolitamente lunghi. Gli ingegneri hanno impiegato circa 15 ore per individuare la causa principale e altre 15 ore prima di iniziare a distribuire una correzione. Poiché il codice difettoso era in uso da mesi, gli strumenti standard di ripristino delle versioni precedenti e i meccanismi di attivazione e disattivazione delle funzionalità si sono rivelati inefficaci. Gli ingegneri hanno dovuto mettere fuori servizio, di volta in volta, oltre la metà dell’infrastruttura di ciascuna regione interessata, ripristinare gradualmente la versione precedente del codice e smaltire per fasi il traffico degli utenti accumulato.

Analisi di mercato:

L’incidente evidenzia la crescente complessità della gestione delle infrastrutture cloud su vastissima scala, in un contesto in cui le aziende dipendono sempre più da strumenti integrati per la produttività e servizi di intelligenza artificiale. In prospettiva, è probabile che i clienti istituzionali e gli osservatori di mercato esaminino più attentamente le procedure di test di carico e i meccanismi di failover di Microsoft, per assicurarsi che l’impiego di hardware ad alta densità non introduca rischi sistemici nascosti.