Un gateway condiviso può diventare un collo di bottiglia per più servizi.
Internet / La storia

Microsoft spiega il guasto: il traffico di emergenza ha allargato il problema

Il rapporto preliminare collega un difetto latente, traffico spostato e capacità ridotta. Il meccanismo di recupero ha contribuito al sovraccarico.

GeekRadar4 min di lettura

Il resoconto preliminare Microsoft sul disservizio Microsoft 365 del 12–13 novembre descrive un meccanismo scomodo: i sistemi che spostavano il traffico dai server in difficoltà hanno contribuito a sovraccaricare quelli ancora funzionanti. Un difetto software latente, una variazione del traffico e una riduzione della capacità disponibile si sono combinati nel gateway usato da Exchange Online e altri servizi.

L’incidente è risolto: questa è un’analisi delle cause, non la segnalazione di un’interruzione in corso. La domanda importante è perché un’infrastruttura progettata per aggirare un guasto abbia potuto propagarlo.

Tre condizioni si sono incontrate nello stesso punto

Il rapporto Microsoft, riprodotto da Office Watch, individua un difetto introdotto a luglio nel codice specifico dei server gateway. Con determinati carichi, la contesa all’interno di un processo Windows esauriva le risorse. I test non avevano riprodotto il problema perché usavano un diverso mix di traffico e hardware con meno core.

Altre due circostanze hanno aumentato la pressione: il traffico Teams era stato trasferito sul gateway principale e un problema indipendente aveva lasciato fuori servizio quasi il 14% della capacità. Microsoft precisa che quella riduzione, da sola, non sarebbe bastata a provocare il guasto. È stata la combinazione a esporre il difetto.

La spiegazione è più utile dell’attribuzione di tutto a un grande numero di richieste. La capacità non è soltanto una quantità fissa di operazioni che una macchina può gestire. Il tipo di lavoro e le interazioni tra processi simultanei possono cambiare il limite effettivo. Un sistema può mostrare margine complessivo mentre uno specifico percorso del codice diventa il vincolo.

Spostare il traffico può trasferire anche il guasto

Il failover ordinario presume che una destinazione sana possa assorbire il lavoro di quella in difficoltà. Se il medesimo difetto latente è presente in tutta l’infrastruttura, il carico trasferito può portare anche la destinazione allo stesso stato. Evitare un server bloccato finisce così per ridurre ulteriormente il numero di quelli disponibili.

Il rapporto preliminare indica che, nel momento peggiore, oltre l’80% dei server gateway non rispondeva. Aggiunge che le normali separazioni pensate per contenere il guasto non ne hanno fermato la diffusione. È un punto decisivo: la ridondanza protegge meno quando risorse apparentemente separate condividono lo stesso innesco e il contenimento non regge.

Non significa che il failover sia un principio sbagliato. Significa che il percorso di recupero deve essere provato come un carico a sé. Il traffico che arriva durante un’interruzione può essere diverso da quello regolare usato per validare il funzionamento quotidiano.

Il riavvio non risolveva la condizione che lo rendeva necessario

Microsoft descrive server appena ripristinati nuovamente sommersi dalle richieste in attesa. Il difetto era inoltre troppo vecchio perché il normale annullamento delle modifiche recenti lo eliminasse rapidamente. La soluzione ha richiesto una correzione mirata e il ritorno progressivo di gruppi di server. Gli aggiornamenti ufficiali archiviati dall’Università della Pennsylvania documentano il ripristino e la successiva fase di analisi.

Per chi utilizza questi servizi anche in Italia, la distinzione pratica è tra un problema di connessione lato servizio e un guasto del proprio computer. L’errore non dimostra che ogni dispositivo coinvolto richieda una riparazione. E riuscire nuovamente ad accedere non prova, da solo, che ogni attività rimasta in coda sia terminata.

La lezione per le infrastrutture Internet riguarda il realismo delle prove. Verificare il carico ordinario su macchine più piccole può non mostrare l’interazione tra hardware recente, traffico diverso e capacità degradata. Il rapporto finale dovrà aggiungere dettagli; quello preliminare chiarisce già perché la sola riserva di risorse non garantisca una via d’uscita sicura.