Microsoft revela que falha de software presente desde julho causou interrupção global de grandes proporções no Microsoft 365

A interrupção de 12 de novembro prejudicou gravemente as operações diárias de clientes corporativos e governamentais em todo o mundo, expondo mais uma vez as vulnerabilidades operacionais e os riscos de concentração associados à forte dependência de um único provedor de nuvem. Após a divulgação de um relatório preliminar aos clientes no domingo, um vice-presidente executivo da Microsoft pediu desculpas formalmente pela interrupção em uma publicação no X na segunda-feira. No auge da interrupção, mais de 80% dos servidores de gateway de rede que dão suporte ao Exchange Online deixaram de responder. Embora aplicativos como Teams, OneDrive e SharePoint tenham migrado rapidamente para uma infraestrutura funcional, o Outlook e o Exchange Online continuaram dependendo de gateways com falhas durante os horários de pico do expediente nos EUA.

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

A interrupção resultou de uma combinação de três fatores operacionais. No fim do dia 11 de novembro, uma rotina automatizada de gerenciamento de tráfego redirecionou o tráfego do Teams para o gateway de rede principal, que já processava o tráfego do Outlook. Enquanto isso, uma manutenção não relacionada, realizada no dia anterior, havia retirado de operação aproximadamente 14% da capacidade dos servidores do gateway, deixando o sistema sem capacidade excedente para absorver o aumento repentino do tráfego.

Em 12 de novembro, o pico de tráfego acionou um erro interno de contenção de bloqueios introduzido em uma atualização do gateway em julho, fazendo com que os servidores esgotassem a memória disponível e falhassem um após o outro. Ramanna explicou que os testes padrão em laboratório realizados antes da implantação não haviam detectado o erro nos três meses anteriores porque o ambiente de testes priorizava equipamentos mais antigos, com menos núcleos de processamento, em vez de processadores mais novos, com maior número de núcleos, que tinham maior probabilidade de desencadear o problema de contenção.

O sistema automatizado de gerenciamento de tráfego tentou redirecionar os usuários para nós que funcionavam normalmente, mas isso acelerou a propagação da interrupção ao sobrecarregar os servidores restantes. Ao mesmo tempo, um problema distinto impediu que o mecanismo padrão de isolamento de partições contivesse a falha em regiões específicas. Como resultado, o erro se propagou pela infraestrutura global de servidores da Microsoft em menos de duas horas.

O restabelecimento do serviço foi excepcionalmente demorado. Os engenheiros levaram aproximadamente 15 horas para identificar a causa raiz e mais 15 horas até começar a implementar uma correção. Como o código defeituoso estava em uso havia meses, as ferramentas padrão de reversão e os mecanismos de ativação e desativação de funcionalidades se mostraram ineficazes. Os engenheiros tiveram de retirar de operação, de cada vez, mais da metade da infraestrutura em cada região afetada, reverter gradualmente o código e restabelecer, por etapas, o fluxo de tráfego acumulado dos usuários.

Análise de mercado:

O incidente evidencia a crescente complexidade da gestão de infraestrutura de nuvem em hiperescala, à medida que as empresas se tornam cada vez mais dependentes de ferramentas integradas de produtividade e serviços de IA. Daqui em diante, é provável que clientes institucionais e observadores do mercado examinem com mais rigor os procedimentos de teste de carga e os mecanismos de proteção para transferência automática em caso de falha da Microsoft, a fim de garantir que a implantação de equipamentos de alta densidade não introduza riscos sistêmicos ocultos.