Azure欧洲网络塞爆延迟通报客户，原因是管理员还没起床

武汉肺炎疫情让许多人必须在家上班，Microsoft Azure等云端服务一旦断线或不稳，将严重影响工作效率。上月底Azure发生网络塞爆问题，微软却等了5小时才向用户说明情况。周四微软解释，因为负责管理的人员当时还在被窝中。

西欧时间3月24日到3月26日，欧洲及英国Azure用户感受到Windows及Linux agents开发作业变得十分慢。微软Azure工程总监Chad Kimes指出，这是因为当天巨大流量导致Azure VM配置错误，造成VM reimage时间增加，进而拉长可用agents的等候时间。微软技术人员发现后做了紧急变更，对Linux agent改使用暂时（ephemeral）OS磁盘，并以扩充Azure VM和使用巢状虚拟化（nested virtualization）解决Windows agents 问题。

三天内共有6,136名客户感受到作业延迟，平均延迟21分钟，有人甚至等了9小时。

但除了技术问题，微软坦承线上网站事件通报也出了状况。情况最严重的第一天，微软方面却迟了快5小时，才向用户通知此事，远远超过10分钟内通知的正规程序。按照Azure的作业流程，Azure系统的自动化工具会在发生事件时，通知指派负责人员（designated responsible individual，DRI）和主要事件管理员（primary incident manager，PIM），后者负责将事件的对外（客户）通讯。当天事件发生时，DRI努力寻找原因及排除问题的同时，PIM却还未起床，直到5小时后美东时间一早，他才发出通报。

微软对此向用户致歉，并承诺做出改善，包括强化运算资源配置失误率及agent reimage时间的监控，并在发现问题时，迅速扩大使用暂时OS磁盘及巢状虚拟化，以解决Linux和Windows agents问题。最后，微软也会改善线上网站对作业延迟事件的通报流程。