Microsoft ha bloccato Outlook, Teams e Copilot per oltre 20 ore: il guasto ha origini complesse

Microsoft ha interrotto servizi chiave per oltre 20 ore: cause e complicazioni del guasto.

Microsoft ha interrotto i servizi di Outlook, Teams e Copilot per oltre 20 ore, causando un grave disservizio per milioni di utenti. L’incidente, che si è verificato giovedì 12 novembre, ha coinvolto sistemi essenziali per lavoro, comunicazioni e produttività. L’azienda ha spiegato che il problema è derivato da un malfunzionamento del componente che controlla la salute dei server, un sistema cruciale per garantire la disponibilità e la stabilità dei servizi. La riparazione ha richiesto tempo, a causa di una spirale di sovraccarico e esclusione di server, complicata anche dal comportamento automatico delle applicazioni che riprovano a connettersi dopo un fallimento.

Il sistema di controllo della salute ha fallito

Il sistema di controllo della salute, noto come “health check”, è un meccanismo che verifica continuamente lo stato di ogni server. Questo processo, che funziona come un “maître” in un grande ristorante, smista le richieste tra i server per evitare sovraccarichi. Tuttavia, durante l’incidente, il componente che gestisce questi controlli ha cominciato a funzionare male. Come risultato, molti server hanno smesso di superare i test, anche se probabilmente stavano benissimo. L’azienda ha dichiarato di non aver trovato modifiche recenti collegate all’inizio del problema, rendendo difficile individuare la causa originaria.

Il malfunzionamento ha scatenato una spirale di esclusione e sovraccarico. Quando alcuni server vengono esclusi, il lavoro che svolgevano non sparisce, ma ricade sui server rimasti. Questo ha inneschato una spirale in cui ogni uscita provoca la successiva, i server superstiti si sovraccaricano, iniziano a rispondere male ai controlli di integrità e vengono esclusi a loro volta, peggiorando ulteriormente la situazione. Il comportamento automatico delle applicazioni, che riprovano a connettersi dopo un fallimento, ha ulteriormente aggravato il problema, creando una valanga di richieste proprio mentre il sistema era in difficoltà.

Il processo di ripristino è lento e complesso

Microsoft ha sospeso tutti gli aggiornamenti in corso, spostato il traffico lontano dai server in difficoltà e li ha riavviati. Ha poi provato un metodo alternativo di controllo della salute che ha rimesso in funzione una parte delle macchine, ma il recupero non ha retto: un processo centrale è andato in sovraccarico e alcune macchine tornate in linea hanno smesso di rispondere non appena hanno ricevuto di nuovo traffico. Il processo di ripristino avviene a piccoli passi: si limitano i tipi di traffico che raggiungono l’infrastruttura, lo si redistribuisce tra le zone ancora sane, si applicano blocchi mirati e si fa rientrare gli utenti a scaglioni. Ogni tentativo richiede minuti o ore per capire se funziona.

Il guasto ha coinvolto servizi condivisi, ampliando il danno. Il danno si è allargato perché i servizi di Microsoft condividono le stesse fondamenta: accesso con l’account, posta, file e strumenti di intelligenza artificiale poggiano su componenti comuni. Quando uno cede, trascina gli altri. Non a caso anche OpenAI e Anthropic hanno segnalato problemi negli strumenti che collegano i loro assistenti a Microsoft 365. Microsoft ha però dichiarato di non avere indicazioni di attività malevola, e tutte le spiegazioni fornite riguardano server e infrastruttura interni. Un attacco DDoS, quello che sommerge i server di richieste false, si riconoscerebbe da un picco anomalo di traffico, mentre qui Microsoft esclude proprio l’aumento del traffico esterno.