タイトル
Microsoft 365、24時間の大規模障害──3か月前の潜伏バグと自動復旧が生んだ連鎖崩壊
このエピソードで登場するキーワードを説明します。
Microsoft: クラウド基盤のAzureや法人向け統合クラウドサービス「Microsoft 365」を展開する米国の巨大テクノロジー企業。
Exchange Online: Microsoft 365の中核をなす法人向けクラウドメールおよびスケジュール管理サービス。多くの周辺アプリとも緊密に連携している。
PIR (Post Incident Report): システム障害の発生後に、影響範囲や根本原因、時系列の対応状況、再発防止策をまとめて公開する事後調査報告書。
ロック競合: プログラム内の複数の処理が同じデータやメモリ領域へ同時にアクセスしようとして順番待ちが発生し、CPUやメモリが枯渇して処理が停滞する現象。
バルクヘッド: 船の隔壁になぞらえ、システムの一部で発生した障害が全体へ波及しないように領域ごとに隔離する安全設計の仕組み。
それでは解説に入ります。
2026年11月12日から13日にかけて、Microsoftの主力クラウドサービスである「Microsoft 365」で世界規模のシステム障害が発生し、復旧までに約24時間を要する事態となりました。Microsoftは11月15日付で暫定版のPIRを公開し、なぜ3か月以上も問題なく動いていたシステムが突然機能不全に陥り、世界中の企業の業務を止めるに至ったのか、その技術的な裏側を明らかにしています。
障害が表面化したのは協定世界時の2026年11月12日午後4時20分、米国がちょうどビジネスのピーク時間帯を迎えたタイミングでした。最も深刻な打撃を受けたのはメール基盤のExchange Onlineで、世界中の多くのユーザーがOutlookやWebブラウザ、スマートフォンからメールボックスに接続できなくなったほか、メールの送受信に大幅な遅延が発生しました。さらに、メール基盤と連携して動くMicrosoft TeamsやCopilot、SharePoint、OneDrive、セキュリティ製品のDefenderやPurviewなど、計14種類以上の主要サービスに連鎖的な影響が及びました。
報告書によると、今回の障害は単一のミスではなく、3つの要因と2つの防護壁の突破が最悪の形で重なった「複合災害」でした。第1の要因は、障害の約4か月前にあたる2026年7月に、Microsoft 365のネットワークゲートウェイサーバー向けに適用されたWindows内部プロセスの修正プログラムに潜んでいたバグです。一定の負荷がかかると接続処理の中でロック競合が発生し、CPUとメモリを食い尽くしてサーバーが応答不能になるという欠陥でした。しかし、この不具合はCPUのコア数が多い最新鋭の高性能サーバーほど悪化するという特殊な性質を持っていました。Microsoftの事前の負荷テスト環境ではコア数の少ない旧世代のサーバーが使われていたため検知をすり抜け、7月から3か月以上にわたり世界中で何の問題も起こさないまま潜伏し続けていたのです。
この眠っていたバグを呼び覚ました第2の要因が、障害発生の約15時間前にあたる11月12日午前1時7分に行われたTeamsの通信経路の切り替えでした。Microsoft 365は安全性を高めるために2つの独立したゲートウェイ網を持っていますが、通常の運用の一環として、Teamsの通信が別系統からExchange Onlineと共用するメインのゲートウェイへと切り替えられ、通信量とトラフィックの性質が変化していました。そして第3の要因として、前日に起きた全く別のトラブルの影響により、このゲートウェイのサーバー容量の約14パーセントがメンテナンス中で稼働から外れていました。本来であれば14パーセントの減少は余裕で吸収できる設計でしたが、Teamsの流入による負荷増大とサーバー減少が重なったことで、7月から潜んでいたバグの発動条件を満たしてしまいました。
さらに事態を決定的に悪化させたのが、システムを守るはずの「自動復旧機能」の逆効果でした。一部のサーバーが応答不能になると、トラフィック管理システムはユーザーへの影響を防ぐため、自動的に残りの正常なサーバーへと通信を振り分けました。ところが、通信が集中したことで転送先のサーバーでも次々とロック競合のバグが誘発され、ドミノ倒しのようにサーバーが落ちていく連鎖障害へと発展しました。本来なら地域や容量単位で障害を封じ込めるバルクヘッドが機能するはずでしたが、別の不具合によってこの防壁も突破され、発生から2時間足らずで全世界のゲートウェイサーバーの80パーセント以上が応答不能に陥りました。Teamsのチャットや会議、OneDriveなどは途中で別の経路へ逃がすことで早期に機能を回復できましたが、規模が巨大なExchange Onlineは別経路へ切り替えることができず、直撃を受ける形となりました。
復旧作業も難航を極めました。原因となったバグが数か月前に適用されたものだったため、直近のアップデートを元に戻す通常のロールバック機能やフラグ切り替えが一切使えなかったのです。また、サーバーを少しずつ再起動して現場に戻そうとしても、溜まっていた大量の通信リクエストが一気に押し寄せて瞬時に再びフリーズしてしまう状態が続きました。エンジニアチームは11月13日午前1時までに接続確立プロセスの異常を特定し、午前1時53分には悪循環を生んでいた自動トラフィック転送機能を停止しました。その上で問題を解消する修正パッチを新たに作成し、午前7時20分から適用を開始しました。中途半端な台数を戻せば再びパンクするため、1つの地域の50パーセント以上という巨大なサーバー群を一度にまとめて切り離し、修正を当てて一斉に再投入するという力技の復旧オペレーションが執り行われました。その結果、アジア太平洋地域から欧州、米国へと順次安定を取り戻し、発生からほぼ丸1日が経過した11月13日午後4時10分にようやく障害は収束しました。Microsoftは滞留していたメールがエラーで返送されないよう配信期限を延長する措置を講じており、11月20日までに最終版の調査報告書を公開して恒久的な再発防止策を提示するとしています。どれほど強固な冗長化と自動化を備えたクラウド基盤であっても、テスト環境と本番ハードウェアのわずかな乖離がシステムの自己防衛機能を凶器へと変えてしまうという、現代の巨大インフラが抱える構造的な脆さを浮き彫りにした事例といえます。
今回のエピソードは以上で終了です。また次回お会いしましょう。
感想
まだ感想はありません。最初の1件を書きましょう!