Microsoft révèle qu’un bug logiciel présent depuis juillet a provoqué une panne mondiale majeure de Microsoft 365

La panne du 12 novembre a gravement perturbé les activités quotidiennes des entreprises et des organismes publics clients dans le monde entier, révélant une nouvelle fois les vulnérabilités opérationnelles et les risques de concentration liés à une forte dépendance envers un seul fournisseur de services cloud. Après la publication, dimanche, d’un rapport préliminaire destiné aux clients, un vice-président exécutif de Microsoft a présenté des excuses officielles sur X lundi pour ces perturbations. Au plus fort de la panne, plus de 80 % des serveurs de passerelle réseau assurant le fonctionnement d’Exchange Online ne répondaient plus. Si des applications comme Teams, OneDrive et SharePoint ont rapidement basculé vers une infrastructure opérationnelle, Outlook et Exchange Online ont continué de s’appuyer sur des passerelles défaillantes pendant les heures de pointe de l’activité professionnelle aux États-Unis.

TMGM Analysis: Financial Market News, Economic Calendar & Market Insights

La panne résultait de la combinaison de trois facteurs opérationnels. Tard dans la journée du 11 novembre, le système automatisé de gestion du trafic a, dans le cadre de son fonctionnement habituel, redirigé le trafic de Teams vers la passerelle réseau principale, qui traitait déjà celui d’Outlook. Par ailleurs, une opération de maintenance sans lien avec cette redirection, effectuée la veille, avait mis hors ligne environ 14 % de la capacité des serveurs de cette passerelle, ne laissant au système aucune capacité de réserve pour absorber l’afflux de trafic.

Le 12 novembre, le pic de trafic a déclenché un bug interne de contention de verrous, introduit lors d’une mise à jour des passerelles en juillet. Les serveurs ont alors épuisé leur mémoire et sont tombés en panne les uns après les autres. Ramanna a expliqué que les tests standard effectués en laboratoire avant le déploiement n’avaient pas permis de détecter le bug au cours des trois mois précédents, car l’environnement de test privilégiait du matériel ancien doté de processeurs comportant moins de cœurs, plutôt que des processeurs plus récents comptant davantage de cœurs et plus susceptibles de déclencher ce problème de contention.

Le système automatisé de gestion du trafic a tenté de rediriger les utilisateurs vers des nœuds opérationnels, mais cette mesure a accéléré la propagation de la panne en surchargeant les serveurs restants. Dans le même temps, un autre problème a empêché le mécanisme standard d’isolation des partitions de circonscrire la défaillance à certaines régions. Le bug s’est ainsi propagé à l’ensemble de l’infrastructure mondiale de serveurs de Microsoft en moins de deux heures.

Le rétablissement du service a été inhabituellement long. Les ingénieurs ont passé environ 15 heures à identifier la cause profonde du problème, puis 15 heures supplémentaires avant de commencer à déployer un correctif. Le code défectueux étant en place depuis des mois, les outils standard de retour arrière et les mécanismes d’activation et de désactivation des fonctionnalités se sont révélés inefficaces. Les ingénieurs ont dû mettre hors ligne plus de la moitié de l’infrastructure à la fois dans chaque région touchée, rétablir progressivement la version antérieure du code et réacheminer par étapes le trafic utilisateur accumulé.

Analyse de marché :

Cet incident met en évidence la complexité croissante de la gestion des infrastructures cloud à très grande échelle, alors que les entreprises dépendent de plus en plus d’outils de productivité intégrés et de services d’IA. À l’avenir, les clients institutionnels et les observateurs du marché devraient examiner de plus près les procédures de test de charge et les dispositifs de basculement de Microsoft, afin de s’assurer que les déploiements de matériel à haute densité n’introduisent pas de risques systémiques cachés.