マイクロソフト、グローバルな365障害はセキュア接続の過負荷が原因と特定

マイクロソフトは、Microsoft 365スイート全体で発生した広範囲にわたるグローバルな障害の根本原因として、セキュアなネットワーク接続確立を担当するサーバープロセス内の深刻な運用過負荷を特定しました。The GuardianおよびCNN Indonesiaによって裏付けられたマイクロソフトの公式サービスヘルス開示によると、この障害は同社のクラウドインフラストラクチャの暗号化ハンドシェイクおよびセキュアセッション仲介層で発生しました。これらの認証経路内で計算需要が急増した際、影響を受けたサーバーは受信クライアントトラフィックの処理を停止し、その後自動化されたヘルスチェックに失敗したため、世界中の企業ユーザー向けOutlook、Microsoft Teams、SharePoint、Copilotを中断させる連鎖反応を引き起こしました。

このインシデントは、ハイパースケールSaaS（Software-as-a-Service）エコシステムにおける重要なアーキテクチャ上の脆弱性を浮き彫りにしています。それは、集中型トランスポート層セキュリティ（TLS）セッション仲介と自動化されたクラスターヘルス管理への依存です。基盤となるセキュリティゲートウェイがリソース枯渇を経験すると、安定性を維持するために設計された自動フェイルオーバーシステムが、ピーク時の企業トラフィック中に利用可能な計算ノードのプールを縮小することで、意図せずサービス劣化を加速させる可能性があります。

セキュアセッションボトルネックの解剖

インシデント後の技術的な更新において、マイクロソフトのエンジニアは、暗号化されたクライアント接続のネゴシエートと維持に専念するサーバープロセスに障害の原因をたどりました。Exchange Online、Teams、SharePoint全体でのすべてのインタラクションは、アプリケーションペイロードがルーティングされる前に、継続的な暗号化検証とセッション仲介を必要とします。これらの専用プロセスが深刻な計算飽和を経験した際、基盤となるサーバーノードはユーザーのクライアントリクエストと内部テレメトリプローブの両方に応答しなくなりました。

マイクロソフトの自動負荷管理アーキテクチャは、劣化したサブプロセスのみを隔離するのではなく、失敗したヘルスチェックを完全なノード障害と解釈しました。オーケストレーション層は、トラフィックが停止したエンドポイントにルーティングされるのを防ぐため、応答しないサーバーをアクティブなプロダクションクラスターから体系的に切り離しました。しかし、これらのサーバーを削除したことで、グローバルな企業トラフィックの全量が、急速に減少する健全なノードに即座に集中しました。

自動負荷管理システムは、応答しないサーバーをアクティブなプロダクションクラスターから体系的に切り離し、企業トラフィックの全負荷を残りのインフラストラクチャに集中させ、連鎖的なタイムアウトを引き起こしました。

この突然の負荷再分配は、残りのプロダクション容量を圧倒し、生き残ったサーバーを自身の暗号化処理しきい値を超えさせました。数分以内に、このフィードバックループは、相互接続された生産性サービス全体で連鎖的な接続タイムアウトを引き起こし、Exchange Onlineでのメールルーティング、Teamsでのリアルタイムメッセージング、SharePointでのドキュメントコラボレーション、Copilotでの生成AIクエリが複数の地理的地域でアクセス不能となりました。

運用上の封じ込めと復旧プロトコル

連鎖的な障害を食い止めるため、マイクロソフトのエンジニアリングチームは、プロダクション環境全体でのすべての進行中のソフトウェア展開を即座に凍結しました。インシデント対応者は、セキュア接続層内で処理の非効率性を引き起こした疑いのある最近の構成更新の体系的なロールバックを開始しました。同時に、エンジニアは、アクティブなクラスターに不安定性を再導入することなく、切り離されたサーバーノードを安全にサイクルし復元するように設計された自動復旧スクリプトを開発しました。

グローバルに修正を展開する前に、マイクロソフトはクラウドインフラストラクチャの隔離されたサブセットで自動再起動ルーチンを検証しました。復元されたノードが計算リソースを枯渇させたり、ヘルスチェックに失敗したりすることなく、暗号化ハンドシェイクワークロードを維持できることをテレメトリが確認した後、復旧自動化は影響を受けたデータセンター地域全体に拡大され、クラスター容量を再構築し、滞留したクライアントセッションをクリアしました。

ハイパースケールクラウドの回復力に対する戦略的示唆

最高情報責任者（CIO）および企業インフラストラクチャアーキテクトにとって、今回の障害は、密接に結合されたクラウド生産性スイートに内在するシステムリスクを浮き彫りにしています。自動ヘルスチェックと動的な負荷遮断は高可用性を維持するための標準的なメカニズムですが、このイベントは、共有ゲートウェイサービスにおける均一な障害モードが、防御的な自動化をダウンタイムの増幅器に変える可能性があることを示しています。

事業継続フレームワークを評価する企業ITリーダーは、クラウドプロバイダーがコントロールプレーンとセッション仲介の依存関係をアプリケーション層のワークロードからどのように分離しているかをますます精査しています。今後、ハイパースケールオペレーターは、ローカライズされたプロセススパイク中に自動ロードバランサーがクラスター容量を最小限の実行可能な運用フロア以下に枯渇させるのを防ぐサーキットブレーカしきい値を実装すること、およびコア暗号化およびネットワークルーティング層に触れる構成変更に対するより厳格なカナリア検証を実装することへの圧力が高まっています。