出来事の日付:2026年11月16日。
Microsoftの暫定的な障害事後報告書の詳細によると、同社は長時間にわたったMicrosoft 365の障害について、数カ月前にネットワークゲートウェイサーバーへ導入されたソフトウェアの不具合が原因だったと説明した。不具合は7月の展開後も表面化していなかったが、11月に通信量の増加と一時的な処理能力の低下が重なったことで、サーバー群全体に及ぶ障害が引き起こされた。
影響を受けたゲートウェイ基盤は、Exchange Onlineやその他のクラウドサービスを支えている。Microsoftの説明では、ゲートウェイの処理能力の約14%が利用できない状態で、Teamsのフェイルオーバーにより、Exchange Onlineが使う主要ゲートウェイを通過する通信量が増加した。どちらの条件も単独ではサービスの処理能力を使い切るとは想定されていなかったが、両者が重なってWindowsのプロセス内部でロック競合が顕在化した。その後、CPUとメモリのリソースが消費され、サーバーが応答しなくなった。
問題は、プロセッサーのコア数が多い新しいシステムで特に深刻だった。Microsoftは、負荷試験をコア数の少ない低性能のハードウェアに集中させていたため、不具合が展開前の検査を通過したと認めた。個々のサーバーが接続を失うと、通信は別のエンドポイントに移り、そこでも同じ競合が発生した。こうして連鎖的な障害が約2時間でサーバー群全体に広がり、最悪時には80%超のサーバーが応答不能になった。
標準的な復旧手順では、サービスを速やかに回復できなかった。オンラインに戻したサーバーは再び過負荷に陥り、7月の変更から時間が経過していたため、通常のロールバックも現実的ではなかった。そこでエンジニアは、問題のコード経路を以前の正常に動作していた状態に戻す更新を作成した。そして、処理能力とトラフィック制御を調整しながら、対策をグループごとに展開した。
一連の経過は、11月12日01時07分(UTC)のTeamsのフェイルオーバーから始まった。監視システムが接続の問題の増加を検知したのは16時03分(UTC)だった。Microsoftは展開を一時停止し、処理能力を追加して通信経路を変更したが、Exchange Onlineは、Teams、OneDrive、SharePoint、Officeアプリなどのサービスと同じ規模では、問題のゲートウェイから通信を退避させることができなかった。エンジニアは11月13日午前0時を過ぎてから問題を接続のネゴシエーションに絞り込み、07時20分(UTC)に修正更新の適用を開始した。
Microsoftは同日16時10分(UTC)までに正常な状態に回復したと報告し、11月14日早朝に顧客向けの最終更新を発表した。より詳細な障害事後報告書は11月20日に公表する予定だった。
暫定的な調査結果は、技術面の二つの不足を示している。一つは、新しい多コアサーバーの挙動を反映していなかった試験であり、もう一つは、これほど広範な同時障害を想定していなかった自動復旧システムだ。この事例は、通常のフェイルオーバーによる通信と一時的な処理能力の低下という、個別には対処可能な条件が、潜在的なコードの不具合と組み合わさることで、はるかに大規模なサービス中断を引き起こし得ることも示している。



