Um caso inusitado pegou de surpresa os clientes e a própria empresa Microsoft Azure. O serviço de manutenção da empresa promete assistência técnica em até 10 minutos mas demorou mais de cinco horas. Os problemas afetavam os clientes europeus no final de março. A tarefa de informar os clientes dependia de um gerente de incidentes com sede nos EUA, que estava dormindo na época.
Os atrasos afetaram os clientes na Europa e no Reino Unido por três dias, começando às 9h UTC do dia 24 de março. No entanto, no início, quando os clientes enfrentavam problemas com serviços do Azure extremamente lentos, a Microsoft descumpriu com folga a meta de 10 minutos para reconhecer problemas.
Gerente dorme e atrasa reparos no Microsoft Azure
Em um post mortem, Chad Kimes, diretor de engenharia da Azure, admite “a comunicação da Microsoft durante esse incidente também foi problemática” e pediu desculpas pela frustração e confusão que isso causou aos 6.136 clientes afetados.
O problema técnico em si foi causado por restrições de capacidade da máquina virtual devido a um aumento na demanda por recursos de computação do Azure durante a pandemia de coronavírus COVID-19, que resultou em atrasos de 21 minutos que afetam o serviço Pipelines DevOps da Microsoft para liberar novas compilações direcionadas aos agentes Windows e Linux no Azure. O atraso mais longo foi de nove horas, segundo Kimes.
O problema aqui é que nossos processos de site ao vivo têm uma lacuna para esse tipo de incidente, disse Kimes sobre o problema de comunicação.
Notícias Relacionadas
Tecnologia móvel
Samsung destaca avanço nas mensagens RCS com suporte no iOS
O suporte a RCS chega ao iOS com o iOS 18.1, permitindo que usuários de Android e iPhone aproveitem uma experiência de mensagens aprimorada e sem necessidade de redes sociais.
Mercado elétrico
Xiaomi atinge R$ 7,14 bilhões em receita com veículos elétricos no 3º trimestre de 2024
Xiaomi fecha o 3º trimestre de 2024 com R$ 7,14 bilhões em receita com veículos elétricos, impulsionado pelo sucesso da série SU7, apesar do prejuízo operacional.
Quando os incidentes envolvem falhas de solicitação do cliente ou impactos no desempenho, temos ferramentas automatizadas que iniciam um incidente e fazem loops tanto em um DRI (indivíduo responsável) como no que chamamos de PIM (gerente de incidente primário). O PIM normalmente é a pessoa responsável por postar comunicações externas reconhecendo o incidente, acrescenta.
Atrasos no pipeline são detectados por ferramentas diferentes, e o PIM atualmente não é paginado para esses tipos de incidentes. Como resultado, enquanto o DRI estava trabalhando duro para entender os problemas técnicos e procurar possíveis mitigações, o PIM ainda estava dormindo. Somente quando o PIM entrou na solução de incidentes aproximadamente no início do horário comercial no leste dos Estados Unidos, o incidente foi finalmente reconhecido.
Solução do problema
A Microsoft diz que está planejando melhorar seus processos de atendimento imediato. Assim, espera “garantir que a comunicação inicial dos incidentes com atraso no pipeline ocorra no mesmo horário que outros tipos de incidentes”.
A empresa também está implementando alterações arquiteturais para mitigar gargalos na criação de novos agentes do pool de agentes hospedados.
O episódio reforça a velha máxima de sempre colocar a culpa de qualquer problema na equipe de TI?
ZDNet
