شبکه‌های ابری (Cloud), 💻 آی‌تی و زیرساخت, 📚 نوشته‌ها و مقالات تخصصی

سرورهای مایکروسافت در بحران ابری: چگونگی بازگشت به عملکرد بعد از اختلال

آناتومی یک فروپاشی ابری؛ سرورهای مایکروسافت چطور از پا درآمدند؟
مقاله
آبان 25, 1405شبکه‌های ابری (Cloud)8 دقیقه مطالعه

مقدمه

وقتی سرویس‌های ابری مایکروسافت ۳۶۵ در بیش از هفتاد کشور به‌طور همزمان دچار اختلال شد، هزاران شرکت، بانک، سازمان و بیمارستان به‌صورت ناگهانی از دسترسی به ایمیل، تیمز و سایر ابزارهای حیاتی خود محروم شدند. این حادثه نشان داد که حتی زیرساخت‌های بزرگ ابری نیز در معرض خطرات فنی قرار دارند.


۱. علت اصلی اختلال

  • اکسچنج آنلاین: سرویس ایمیل و تقویم سازمانی مایکروسافت که در پس‌زمینه تمام سرویس‌های دیگر را پشتیبانی می‌کند، دچار خرابی شد.
  • تبعیت سرویس‌های وابسته: تیمز، شیرپوینت و کوپایلوت به‌صورت مستقیم به اکسچنج آنلاین متصل می‌شدند؛ در نتیجه هرگاه این سرویس در دسترس نبود، سایر سرویس‌ها نیز متوقف می‌شدند.

۲. پیامدهای فوری

  1. ایمیل و تقویم: کاربران نمی‌توانستند ایمیل ارسال یا دریافت کنند و جلسات جدید را در تقویم ثبت کنند.
  2. تیمز: امکان برقراری تماس تصویری و ارسال پیام در تیمز محدود شد، اما برخی ویژگی‌ها همچنان در دسترس بودند.
  3. شیرپوینت: دسترسی به فایل‌ها و مستندات در شیرپوینت به‌طور کامل قطع شد.
  4. کوپایلوت: دستیار هوش مصنوعی قادر به تولید گزارش یا پاسخ به درخواست‌های ایمیلی نبود.

۳. واکنش مایکروسافت

  • اطلاع‌رسانی سریع: تیم‌های فنی مایکروسافت در عرض ساعت اول از وقوع اختلال، گزارش‌های خرابی را در سراسر جهان دریافت کردند.
  • راه‌حل موقتی: به‌صورت موقت، سرویس‌های دیگر را از طریق سرورهای پشتیبان فعال کردند تا کاربرانی که به‌صورت محدود می‌توانستند به سرویس‌های دیگر دسترسی پیدا کنند، امکان استفاده را داشته باشند.
  • بازگرداندن سرویس: پس از چند ساعت، سرویس اکسچنج آنلاین به‌صورت کامل بازسازی شد و سایر سرویس‌ها به تدریج به حالت عادی بازگشتند.

۴. نکات کلیدی برای جلوگیری از بحران‌های مشابه

  • پشتیبان‌گیری منظم: اطمینان حاصل کنید که داده‌های ایمیل و تقویم در سرورهای پشتیبان ذخیره می‌شوند.
  • پیکربندی افزونگی: استفاده از سرورهای پشتیبان در مناطق جغرافیایی مختلف برای کاهش خطر اختلالات منطقه‌ای.
  • نظارت مستمر: مانیتورینگ وضعیت سرویس‌های کلیدی مانند اکسچنج آنلاین برای شناسایی سریع مشکلات.

جمع‌بندی

اختلال در سرویس‌های ابری مایکروسافت ۳۶۵ به‌واسطه خرابی «اکسچنج آنلاین» رخ داد و باعث توقف موقت ایمیل، تیمز، شیرپوینت و کوپایلوت شد. با وجود تأثیرات گسترده، تیم فنی مایکروسافت توانست در عرض چند ساعت سرویس‌ها را بازگرداند. این حادثه اهمیت پشتیبان‌گیری، افزونگی و مانیتورینگ مستمر را برای سازمان‌های وابسته به سرویس‌های ابری برجسته می‌کند.


وقتی نگهبان سامانه به پای خودش شلیک می‌کند

برای درک چگونگی حذف سرورهای مایکروسافت از مدار، باید با دو اصل اساسی زیرساخت ابری آشنا شویم: «بررسی سلامت» و «واکنش زنجیره‌ای». این دو مکانیزم در کنار هم تضمین می‌کنند که در صورت خرابی یک سرور، بقیه بتوانند وظایف را بر عهده بگیرند و سرویس به‌طور مداوم در دسترس باشد.

سرور

بررسی سلامت (Health Check)

  • سیستم به‌صورت پیوسته وضعیت سرورها را مانیتور می‌کند.
  • سروری که پاسخگو نیست یا به‌صورت غیرعادی رفتار می‌کند، به‌صورت موقت از مدار خارج می‌شود.
  • این اقدام باعث جلوگیری از انتقال ترافیک به سرورهای نامناسب می‌شود.

واکنش زنجیره‌ای (Cascading Failure)

  • تغییرات پیکربندی در شبکه می‌تواند باعث تغییر مسیر ترافیک شود.
  • سرورهای حذف‌شده از شبکه، بار اضافی را بر روی سرورهای باقی‌مانده می‌گذارند.
  • اگر ظرفیت باقی‌مانده کافی نباشد، سرورهای جدید تحت فشار قرار می‌گیرند و ممکن است نیز از مدار خارج شوند.

فروپاشی آبشاری سرورهای مایکروسافت

در این حادثه، سرویس بررسی سلامت درخواست‌های کاربران را به سرورهای فعال هدایت کرد. با این حال، ظرفیت باقی‌مانده برای پاسخگویی کافی نبود. در نتیجه، فرآیند برقراری ارتباط امن (TLS/SSL) برای سرورهای باقی‌مانده تحت فشار قرار گرفت و سرورهایی که پیش از این سالم بودند، به تدریج از پردازش درخواست‌ها دست کشیدند. این امر باعث شد تا سرورهای مایکروسافت به‌صورت پی‌درپی از مدار خارج شوند، در حالی که حجم ترافیک کاربران به‌طور قابل توجهی افزایش نیافته بود.


چرا ری‌استارت کردن جواب نمی‌داد؟

در مواجهه با سقوط سرورها، اقدام اولیه مهندسان مایکروسافت، ری‌استارت سرورهای متوقف‌شده بود. با این حال، پس از راه‌اندازی مجدد، ترافیک کاربران به سرورهای بازگردانده شد و همان اتصال امن، تحت فشار عظیم درخواست‌های تکراری، به سرعت خسته شد و سرورهای جدید نیز در عرض چند دقیقه از دسترس خارج شدند. این وضعیت شبیه به سعی در خاموش کردن آتش انبار با لیوان آب بود؛ بدون کاهش فشار، راه‌حل موقتی کارساز نبود. برای مقابله، تیم اقدامات زیر را به صورت موازی انجام داد:

  • بازطراحی موقت سیستم ارزیابی سلامت سرورها در بخش‌های خاصی از زیرساخت
  • محدودیت بر نوع ترافیک ورودی و بازگرداندن پلکانی کاربران برای بررسی رفتار سیستم
  • بازگرداندن تغییرات شبکه به وضعیت قبل از بحران (Rollback)
  • افزودن ماشین‌های مجازی جدید، هرچند در ابتدا با شکست مواجه شد

این اقدامات، وضعیت را به‌صورت جزئی بهبود داد اما هنوز ثبات دائمی حاصل نشد.


کلید نجات چه بود؟

در لحظه‌ای که مهندسان مایکروسافت یک پچ اصلاحی برای کامپوننت بالادستی «احراز هویت و مسیریابی» اعمال کردند، تغییرات اساسی رخ داد. ابتدا پچ را بر روی بخش کوچک زیرساخت آزمایش کردند؛ پس از مشاهده دوام سرورها در برابر بار ترافیک، به تدریج وصله را در بقیه دیتاسنترها گسترش دادند، با اولویت‌بندی کشورهایی که در ساعات اوج کاری بودند. این اقدام باعث شد سرورها به‌سرعت برگردند، اما در طول بیش از ۲۰ ساعت قطعی، میلیون‌ها ایمیل در صف انتظار گیر کرده بودند. در سرویس ایمیل، اگر سرور برای ارسال ایمیل منتظر پاسخ سرور مقصد بیش از ۲۴ ساعت بماند، ایمیل لغو می‌شود و پیغام خطا به فرستنده برمی‌گردد.

قطعی سرورهای مایکروسافت

افزایش مهلت پردازش ایمیل‌ها

  • مایکروسافت برای جلوگیری از از دست رفتن پیام‌های کاربران، زمان پردازش سرورها را به ۴۸ ساعت افزایش داد تا امکان پردازش تدریجی پیام‌های عقب‌افتاده فراهم شود.
  • این اقدام، اگرچه زمان رفع اختلال را طولانی‌تر کرد، اما به‌منظور اطمینان از عدم سقوط سیستم در حین بازگشت به حالت عادی انجام شد.

نقش هوش مصنوعی در حادثه

  • در همان زمان، بحث‌های زیادی درباره خطاهای ابزارهای هوش مصنوعی و توسعه نرم‌افزار بدون نظارت انسانی شکل گرفت.
  • مایکروسافت این ادعاها را رد کرد، اما هوش مصنوعی به‌عنوان یکی از قربانیان حادثه مطرح شد؛ زیرا سرویس‌های OpenAI و Anthropic که به Microsoft 365 متصل بودند، همزمان دچار اختلال شدند.
  • ابزارهای تحلیلی در Microsoft Outlook قادر به خواندن تقویم و ایمیل‌ها نبودند، که نشان‌دهنده‌ی آسیب‌پذیری زیرساخت‌های ابری است.

اثرات گسترده و درک مخاطب

  • برای کاربران ایرانی، قطع سرویس‌های خارجی معمولاً شوکه‌کننده نیست؛ اما این اختلال جهانی نشان داد که ابزارهای هوش مصنوعی و سازمان‌های مدرن در برابر خطاهای زیرساختی بسیار آسیب‌پذیر هستند.
  • تجربه‌های گذشته نشان می‌دهد که داشتن راه‌حل‌های جایگزین مانند پیام‌رسان‌های پشتیبان و ذخیره‌سازی محلی می‌تواند در مواجهه با اختلالات مفید باشد.

نقاط ضعف مشترک در زیرساخت‌های بزرگ

  • وقتی هزاران سازمان، از بانک‌ها تا بیمارستان‌ها، تمام عملیات‌های روزمره و امنیت خود را به یک شرکت ابری سپارند، یک نقطه‌ی آسیب‌پذیر مشترک ایجاد می‌شود.
  • تغییرات کوچک در سرویس‌های بزرگ مانند مایکروسافت یا آمازون می‌تواند باعث توقف کل زنجیره‌ی کسب‌وکارها در سراسر جهان شود.
  • مایکروسافت اعلام کرده که گزارش دقیق‌تری از این حادثه منتشر خواهد کرد تا علت اصلی آن مشخص شود، اما درک کلیدی این ماجرا این است که هیچ زیرساختی، حتی بزرگ و مدرن، از خطا مصون نیست.

اهمیت داشتن پلن B واقعی

  • داشتن نسخه پشتیبان در همان شرکت ابری، به‌عنوان یک پلن B کافی نیست؛ زیرا در صورت اختلال، تمام داده‌ها در همان نقطه‌ی آسیب‌پذیر قرار دارند.
  • تاب‌آوری واقعی به این معناست که در صورت عدم دسترسی به سرویس‌دهنده اصلی، عملیات شما بدون توقف ادامه یابد؛ این به معنای داشتن زیرساخت‌های مستقل و راه‌حل‌های جایگزین است.

هشدار مهم از سوی مدیر مایکروسافت

  • مدیر عامل مایکروسافت هشدار داد که ایجاد سیستم‌های هوش مصنوعی خودآگاه می‌تواند خطراتی جدی برای جامعه ایجاد کند.
  • او تأکید کرد که فناوری‌های هوش مصنوعی باید تحت کنترل انسان باقی بمانند تا از سوءاستفاده و پیامدهای غیرقابل پیش‌بینی جلوگیری شود.

دلایل اصلی هشدار

  1. ریسک‌های اخلاقی
راهکار رفع قطعی سرویس های مایکروسافت
  • هوش مصنوعی خودآگاه ممکن است تصمیماتی بگیرد که با ارزش‌های انسانی در تضاد باشد.
  1. عدم پیش‌بینی‌پذیری
  • رفتارهای خودآگاه می‌توانند به سرعت تغییر کنند و کنترل انسانی را دشوار سازند.
  1. تأثیرات اجتماعی
  • ایجاد نابرابری‌های اقتصادی و اجتماعی ناشی از دسترسی نابرابر به چنین فناوری‌ها.

پیشنهادهای عملی برای توسعه ایمن

  • محدود کردن دسترسی: فقط پژوهشگران مجاز و تحت نظارت می‌توانند به توسعه‌ی هوش مصنوعی خودآگاه دسترسی داشته باشند.
  • شفافیت در الگوریتم‌ها: کدهای منبع باز و مستندات کامل برای بررسی‌های مستقل ضروری است.
  • نظارت قانونی: ایجاد چارچوب‌های قانونی برای کنترل و نظارت بر توسعه و استفاده از این فناوری‌ها.

تأثیر بر صنعت فناوری

  • شرکت‌های بزرگ فناوری در حال بازنگری استراتژی‌های خود در زمینه هوش مصنوعی.
  • همکاری‌های بین‌المللی برای تدوین استانداردهای اخلاقی و فنی در حال شکل‌گیری است.

آینده‌پژوهی

  • پیش‌بینی می‌شود که در سال‌های آینده، پژوهش‌های بنیادی در حوزه هوش مصنوعی خودآگاه محدود و تحت نظارت قرار گیرد.
  • توسعه فناوری‌های جایگزین که کنترل‌پذیرتر باشند، احتمالاً جایگزین این نوع سیستم‌ها خواهند شد.

پرسش‌های متداول

چرا اختلال در اکسچنج آنلاین باعث توقف سایر سرویس ها شد؟

چون تیمز، شیرپوینت و کوپایلوت به صورت مستقیم به اکسچنج آنلاین متصل می شوند؛ بدون آن، دسترسی به ایمیل و تقویم امکان پذیر نیست.

چه اقداماتی می توان برای جلوگیری از چنین اختلالاتی انجام داد؟

پشتیبان گیری منظم، پیکربندی سرورهای افزونگی و مانیتورینگ وضعیت سرویس های کلیدی.

چه مدت طول کشید تا سرویس ها به حالت عادی بازگردند؟

در این حادثه، سرویس ها در عرض چند ساعت پس از وقوع اختلال به حالت عادی بازگشتند.

5,0از ۵
1 رأی
به این مطلب امتیاز بدهید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *