A Microsoft detalhou as três causas interligadas que levaram a uma grande falha de 24 horas em serviços como Outlook, Teams e Copilot, que afetou mais de 70 países. A análise da empresa aponta para uma falha de software latente, um aumento inesperado na carga de rede e uma redução na capacidade dos servidores como os principais culpados.

A Tempestade Perfeita nos Servidores da Microsoft

Uma grande interrupção global dos serviços da Microsoft, que impactou milhões de usuários de Outlook, Teams e Copilot por quase um dia inteiro, foi resultado de uma confluência rara de falhas. Em uma análise pós-incidente, Charles Lamanna, vice-presidente executivo de Copilot, Agentes e Plataformas da Microsoft, explicou que uma combinação de um bug de software oculto, um pico súbito de tráfego de rede e uma capacidade reduzida dos servidores sobrecarregou o gateway de rede principal. Este sistema, responsável por gerenciar as conexões dos usuários e direcioná-las aos diversos serviços do Microsoft 365, sucumbiu sob a pressão combinada, levando a uma falha em cascata.

O incidente expôs vulnerabilidades inesperadas em uma infraestrutura projetada para alta resiliência. Lamanna lamentou o impacto sobre os clientes, reconhecendo o transtorno significativo para suas operações e negócios. Os detalhes foram divulgados em uma publicação no X (antigo Twitter) e em relatórios de pós-incidente (MO1550821 e EX1550543), acessíveis pelo Centro de Administração da Microsoft.

Um Bug Latente e o Fator Humano

A primeira causa identificada foi uma falha latente em uma atualização de software. Apesar de ter passado pelos rigorosos processos de implantação segura da Microsoft, o código defeituoso permaneceu inativo por vários meses. Ele só se manifestou sob condições específicas de carga, sobrecarregando os servidores do gateway. A Microsoft, que normalmente opera com dois sistemas de gateway independentes para garantir a continuidade em caso de falhas, enfrentou um problema adicional quando o Teams realizou uma comutação incorreta para o gateway principal. Essa mudança, que deveria ser uma medida de resiliência, alterou os padrões de tráfego e aumentou a carga sobre o sistema já comprometido.

Capacidade Reduzida e Sobrecarga Crítica

O cenário foi agravado por uma terceira falha: aproximadamente 14% da capacidade dos servidores do gateway estava indisponível devido a um problema técnico separado ocorrido previamente. Essa redução de capacidade, combinada com o aumento de tráfego causado pela alternância equivocada do Teams, ocorreu durante o pico de horário nos Estados Unidos. A situação foi exacerbada por um mecanismo de recuperação automático que, em vez de mitigar, piorou o problema nos pontos de conexão restantes, desencadeando uma falha generalizada. No auge da crise, mais de 80% dos servidores apresentavam falhas de resposta, demonstrando a fragilidade da infraestrutura sob estresse extremo.

Recuperação e Lições para o Futuro

A recuperação dos serviços variou. Enquanto Teams, OneDrive, SharePoint e aplicativos do Office foram restaurados em cerca de 11 horas e 50 minutos por conseguirem se desconectar da infraestrutura afetada, o Exchange Online, que não pôde se desvencilhar do gateway principal, levou quase 24 horas para ser totalmente restabelecido. A solução final envolveu o desenvolvimento de uma nova atualização para corrigir o bug latente, seguida por uma reativação cuidadosa da infraestrutura. A Microsoft prometeu um relatório pós-incidente definitivo com mais detalhes. Este evento sublinha a necessidade contínua de testes rigorosos e de estratégias de recuperação robustas para sistemas de TI críticos, onde a interconexão de falhas pode ter consequências devastadoras.

Com reportagem de Brazil Valley

Source · Money Times