माइक्रोसॉफ्ट ने भयानक ईमेल आउटेज का दोष जुलाई के फिक्स में पेश किए गए सॉफ़्टवेयर दोष पर डाला

एक वैश्विक Microsoft 365 ईमेल आउटेज का कारण जुलाई के Windows अपडेट में पेश किए गए एक लॉक-कोंटेंशन बग को बताया गया है, जो केवल उच्च-कोर, उच्च-लोड उत्पादन परिस्थितियों में सामने आया; इससे यह उजागर होता है कि परीक्षण वातावरण वास्तविक दुनिया के पैमाने को सही से नहीं दर्शा सकते। टिप्पणीकारों का तर्क है कि Microsoft उत्पादन-जैसे परीक्षण और अधिक मजबूत “bulkhead” आर्किटेक्चर वहन कर सकता है, लेकिन वे यह भी नोट करते हैं कि सैकड़ों मिलियन उपयोगकर्ताओं के ट्रैफिक का पूरी तरह अनुकरण करना बेहद कठिन और महंगा है। यह घटना छंटनी, AI-संचालित विकास, और कुछ गिने-चुने हाइपरस्केलर्स में महत्वपूर्ण सेवाओं के केंद्रीकरण के बारे में व्यापक चिंताओं को बढ़ाती है, साथ ही श्रृंखलाबद्ध विफलताओं से उबरने के लिए डिज़ाइन और रिहर्सल की आवश्यकता को भी रेखांकित करती है.

परीक्षण, स्केल, और कन्करेंसी बग

  • मूल कारण को एक आंतरिक Windows प्रक्रिया में लॉक कोंटेंशन के रूप में बताया गया, जिसने CPU और मेमोरी खत्म कर दी, खासकर उच्च-कोर सर्वरों पर।
  • परीक्षण वातावरण उत्पादन हार्डवेयर से काफी अलग था; कम स्पेक वाले बॉक्स पर परीक्षण पास हो गए जबकि उच्च-स्तरीय मशीनें वास्तविक लोड के तहत विफल हो गईं।
  • कुछ लोग इसे पूर्ण-स्केल परीक्षण की लागत को देखते हुए एक समझने योग्य समझौता मानते हैं; अन्य कहते हैं कि Microsoft के पैमाने पर लोड टेस्ट के लिए उत्पादन हार्डवेयर की नकल न करना अक्षम्य है।
  • लोग बड़े-कोर Windows मशीनों पर इसी तरह की पिछली समस्याओं का उल्लेख करते हैं और तर्क देते हैं कि कन्करेंसी/लॉक कोंटेंशन दशकों से जोखिम का ज्ञात वर्ग रहा है।

लोड शेडिंग, ब्लैक स्टार्ट, और लचीलापन

  • कई टिप्पणियाँ इस आउटेज की तुलना पावर-ग्रिड के “ब्लैक स्टार्ट” परिदृश्यों और “थंडरिंग हर्ड” समस्याओं से करती हैं।
  • सुझाई गई सर्वोत्तम प्रथाएँ: सेल-आधारित आर्किटेक्चर, पहले से नियोजित लोड शेडिंग, क्लाइंट/सेशन के आधार पर प्रोटोकॉल-जागरूक गेटिंग, और चरणबद्ध रैम्प-अप।
  • कुछ लोग पूछते हैं कि Microsoft ने क्षमता बहाल करने के लिए ट्रैफिक को बस गिराया या थ्रॉटल क्यों नहीं किया (जैसे IP-रेंज के आधार पर); अन्य बताते हैं कि आंतरिक सर्वर-से-सर्वर लोड और सिंक सेमांटिक्स साधारण थ्रॉटलिंग को अप्रभावी बना देते हैं।
  • आलोचना यह भी है कि Microsoft के पास ऐसी वैश्विक सेवा के लिए अच्छी तरह रिहर्सल किया गया “ब्लैक स्टार्ट” प्लेबुक नहीं था।

आर्किटेक्चर, विभाजन, और मॉनिटरिंग

  • घटना-पश्चात रिपोर्ट का हवाला दिया गया है कि सामान्य विभाजनों के बीच के bulkheads दूसरी समस्या के कारण काम नहीं कर पाए, जिससे श्रृंखलाबद्ध विफलता हुई।
  • यह भी नोट किया गया: गेटवे क्षमता का एक महत्वपूर्ण हिस्सा पहले से ही एक असंबंधित पिछली समस्या के कारण अनुपलब्ध था, और मॉनिटरिंग आने वाले पतन को पर्याप्त जल्दी नहीं दिखा सकी।

संगठनात्मक कारक और परीक्षण संस्कृति

  • कई लोग इस आउटेज को दीर्घकालिक रुझानों से जोड़ते हैं: समर्पित टेस्ट भूमिकाओं का उन्मूलन, प्रोडक्शन में परीक्षण पर जोर, और हालिया स्वैच्छिक निकास/छंटनी।
  • चिंता है कि संगठनात्मक ज्ञान और SRE “मसल मेमोरी” क्षीण हो रही है, जिससे जटिल प्रणालियों को पुनर्प्राप्त करना कठिन हो रहा है।
  • शेयरधारक-प्राथमिकता बनाम कोर इंजीनियरिंग में निवेश पर बहस; कुछ का तर्क है कि लागत-कटौती और AI हाइप विश्वसनीयता को कमजोर कर रहे हैं।

महत्वपूर्ण अवसंरचना में Windows

  • कुछ लोग आश्चर्यचकित हैं कि महत्वपूर्ण गेटवे घटक Linux की बजाय Windows पर चल रहे थे; अन्य जवाब देते हैं कि Windows Server और NT कर्नेल परिपक्व हैं और ऐतिहासिक रूप से बड़े पैमाने पर उपयोग किए गए हैं।
  • Microsoft की dogfooding संस्कृति और पुरानी Exchange/SharePoint/Teams स्टैक्स को कारण बताया गया है कि Windows अभी भी पथ में बना हुआ है।

विक्रेता एकाग्रता और जोखिम

  • “सारे अंडे एक ही टोकरी में” रखने पर चर्चा: तकनीकी रूप से जोखिमपूर्ण, लेकिन IT प्रबंधकों के लिए प्रमुख विक्रेता को चुनना सामाजिक और राजनीतिक रूप से सुरक्षित है ताकि आउटेज होने पर दोष बाहर शिफ्ट हो जाए।
  • कई लोग हाइपरस्केलर पैमाने पर ऐसे “सामान्य हादसों” की अपेक्षा करते हैं, और कुछ को डर है कि जटिलता और स्वचालन बढ़ने के साथ ये अधिक बार हो सकते हैं।

इंजीनियर, AI, और मान्यता

  • कुछ लोग अनुमान लगाते हैं कि AI-जनित कोड के तीव्र अपनाने और कम मनुष्यों के कारण छिपा हुआ तकनीकी ऋण और आउटेज बढ़ेंगे।
  • घटना-प्रतिक्रियाकर्ताओं की सैद्धांतिक रूप से प्रशंसा की जाती है, लेकिन कई प्रतिभागी अपने संगठनों में रिपोर्ट करते हैं कि ऐसी वीरताएँ शायद ही वास्तविक पुरस्कार लाती हैं, और कभी-कभी प्रदर्शन मूल्यांकन और भी खराब हो जाते हैं।