Queda dos serviços da Microsoft deveu-se a um "efeito cascata" de sucessivos erros
Um efeito em cadeia de sucessivas falhas e um bug numa atualização estiveram na raiz da queda dos serviços Microsoft, que estiveram em baixo durante boa parte da passada sexta-feira, deixando vários serviços com dificuldades de funcionamento.
Numa publicação nas redes sociais a resumir o relatório preliminar da empresa sobre o incidente, Charles Lammana, executivo da Microsoft na área da inteligência artificial, explicou que a queda dos serviços do Microsoft 365 -- que incluem o Outlook, os serviços de comunicação Teams e o modelo de inteligência artificial Copilot -- se deveu à combinação de três fatores que começaram a fermentar há cinco meses.
Em julho, uma atualização apenas nos serviços Microsoft 365 tinha um bug adormecido (latente, no termo técnico) que causava um "conflito de bloqueios" nos sistemas de gateway -- uma espécie de fila de trânsito nos canais de entrada provocada por excesso de pedidos de acesso ao servidor quando a carga colocada era muito elevada.
Uma série de erros na testagem levaram a que o erro passasse despercebido, já que o modelo usado nos testes não foi exatamente o mesmo que foi lançado ao público nem os CPU dos servidores de teste eram tão potentes como os usados pelo público em geral, algo que piorou esse trânsito de pedidos de acesso aos servidores através dos serviços 365.
"A atualização foi implementada de forma segura e estendeu-se a nível global ao longo de várias semanas, período durante o qual não se observaram quaisquer problemas. Durante mais de três meses, a alteração foi implementada em todo o mundo sem causar qualquer impacto", explicou Lammana.
Mas o excesso de tráfego que espoletou o erro não surgiria em circunstâncias normais. Normalmente, para evitar uma situação destas, a Microsoft tem dois gateways separados desenhados para manter os serviços em funcionamento em caso de uma falha.
"Cerca de quinze horas antes da queda dos sistemas, o Teams mudou do gateway de rede alternativo para o gateway 'principal'", explicou Lammana. Esta mudança aumentou significativamente o tráfego, colocando mais pressão no sistema total.
E a este fator acresceu ainda outro, que ocorreu ao mesmo tempo que o Teams colocou mais pressão no sistema ao mudar para apenas um dos canais de entrada. Nessa altura, "quase 14 % da capacidade do servidor do gateway de rede estava fora de serviço devido a um problema não relacionado ocorrido no dia anterior".
"A recuperação demorou mais tempo do que o habitual porque, à medida que os servidores voltavam a funcionar, eram imediatamente sobrecarregados pelo tráfego em espera e voltavam a ficar sem resposta", contou, sublinhando que os processos de recuperação são "normalmente automatizados" e por isso não foram feitos para recuperar tudo neste "estado generalizado de indisponibilidade".
Entretanto, o bug latente já foi corrigido, explicou, obrigando a Microsoft a desligar e reiniciar gradualmente os servidores com a nova atualização.

