Más del 80% de los servidores gateway de red de Microsoft 365 llegó a quedar sin respuesta durante la caída mundial del 12 de noviembre. Microsoft atribuye el colapso a un defecto introducido en julio, activado cuando aumentó el tráfico y casi el 14% de la capacidad de esos sistemas estaba fuera de servicio.
La interrupción afectó a servicios como Outlook, Exchange Online, Teams y Copilot, y comenzó a las 11:20 del este de Estados Unidos del jueves 12 de noviembre. Microsoft confirmó la recuperación completa a las 11:10 del día siguiente, tras casi 24 horas de problemas que impidieron acceder al correo y retrasaron la entrega de mensajes.
Tres condiciones coincidieron en los gateways
Microsoft resumió el origen en tres factores: un defecto latente de software, más tráfico en los gateways y una capacidad disponible menor de lo normal. La compañía explicó que la combinación del aumento de tráfico y la capacidad reducida activó el defecto. Esta explicación aparece en el informe preliminar y en las declaraciones de Charles Lamanna, vicepresidente ejecutivo de Copilot, Agents y Platform.
El defecto procedía de una actualización preparada para los servidores gateway de red de Microsoft 365. La actualización se desplegó desde julio y funcionó durante más de tres meses sin que se observaran problemas. Sin embargo, bajo determinadas condiciones de tráfico podía provocar contención de bloqueos —un lock contention— y dejar las máquinas sin responder.
Microsoft explicó que sus pruebas habituales de carga no reprodujeron la combinación que desencadenó el fallo. Los laboratorios usaban patrones de tráfico y configuraciones de hardware distintos de los de producción; además, las pruebas se centraban en equipos con menos núcleos y menos potentes. La compañía dijo que el problema empeoraba en máquinas con más núcleos y hardware más reciente.
“In less than two hours, the previously unknown defect was encountered across our fleet and rendered them unresponsive. At its lowest, more than 80% of servers were unresponsive.”
— Microsoft, informe preliminar
El cambio de ruta de Teams elevó la carga
Unas 15 horas antes de la caída, Teams cambió automáticamente desde una infraestructura gateway alternativa a la principal, que también da soporte a Exchange Online. El failover modificó el patrón de tráfico y aumentó la carga en esos servidores. Microsoft señaló que este tipo de conmutación forma parte de sus operaciones normales de resiliencia.
Teams también había sufrido una interrupción independiente ese mismo día, pero Microsoft no aclaró si ambos incidentes estaban relacionados. Lo que sí vinculó con la caída posterior fue el cambio de ruta: al concentrar más tráfico en los gateways principales, dejó menos margen para absorber el efecto del defecto latente.
A esa presión se sumó que casi el 14% de la capacidad de los gateways estaba fuera de servicio por un problema no relacionado del día anterior. Microsoft sostuvo que la infraestructura tenía capacidad suficiente para soportar esa reducción mientras se resolvía, y que esos servidores debían volver al servicio mediante tareas rutinarias de mantenimiento y comprobación de estado. La concurrencia de factores cambió el resultado: más carga llegó a menos máquinas y activó el fallo.
La redirección convirtió el fallo en una cascada
Cuando algunos servidores dejaron de responder, los sistemas de Microsoft redirigieron a los usuarios hacia otros que seguían disponibles. Esa reacción desplazó las peticiones, pero también sobrecargó los servidores restantes. El mismo defecto podía entonces reproducirse en otros puntos de la flota, y la caída se extendió en menos de dos horas.
flowchart TD
A["Defecto introducido en julio"] --> D["Más carga y menos capacidad"]
B["Teams cambia de gateway"] --> D
C["Casi 14% de capacidad fuera de servicio"] --> D
D --> E["Servidores dejan de responder"]
E --> F["Tráfico redirigido a otros servidores"]
F --> G["Más saturación en la flota"]
G --> H["Más del 80% sin respuesta"]Microsoft dijo que las protecciones diseñadas para impedir que los problemas pasaran de una región a otra tampoco lograron contener esta propagación. El episodio expuso una tensión concreta en el mecanismo de recuperación descrito por la compañía: desviar tráfico puede sostener el servicio si hay capacidad disponible, pero en este caso trasladó carga a servidores susceptibles al mismo defecto.
La arquitectura de Microsoft 365 incluye dos sistemas gateway independientes y distintos, pensados para aislamiento y alta disponibilidad. Según Lamanna, ese diseño permite que muchos servicios conmuten entre ellos ante interrupciones. Sin embargo, Exchange Online no pudo cambiar a una infraestructura alternativa como sí hicieron otros servicios, entre ellos Teams, OneDrive y SharePoint, que pudieron recuperarse antes.
La recuperación también chocó con la carga acumulada
Reiniciar los servidores afectados no bastaba: Microsoft explicó que volvían a recibir rápidamente el tráfico acumulado y se saturaban otra vez. Una vez localizado el defecto, sus ingenieros prepararon una corrección y la desplegaron en los servidores afectados. Los servicios se estabilizaron durante el viernes y la compañía dio por terminado el impacto activo a las 11:10, hora del este, del 13 de noviembre.
Para empresas que dependen de Exchange Online, el resultado fue más que una degradación puntual de una aplicación: el correo quedó inaccesible y los mensajes sufrieron retrasos. La caída también alcanzó a Copilot y otros servicios de Microsoft 365. La información publicada no detalla el impacto por cliente ni ofrece una cuantificación de los mensajes retrasados, por lo que no permite comparar la afectación entre organizaciones.
Más capacidad y pruebas más cercanas a producción
Microsoft afirma que después del incidente aumentó la capacidad disponible, mejoró la monitorización y añadió salvaguardas para evitar que la redirección del tráfico provoque cascadas similares. El desajuste entre los equipos de prueba y los servidores de producción también deja una cuestión operativa clara: en este caso, las pruebas no representaron las combinaciones de hardware y tráfico que hicieron aflorar el defecto.
La explicación de la empresa no especifica qué cambios concretos hizo en sus pruebas de carga ni cómo modificará los límites de redirección entre servidores o regiones. Tampoco determina si la interrupción independiente de Teams tuvo alguna relación con el failover que elevó el tráfico. Microsoft dijo que seguía investigando y que esperaba publicar el informe final del incidente más adelante esa semana.
Fuentes: BleepingComputer, IT Pro