Más del 80% de los servidores gateway de Microsoft 365 llegó a quedar sin respuesta durante la caída global del 12 de noviembre. Microsoft atribuye el fallo a un defecto de software introducido en julio que permaneció latente durante más de tres meses, hasta que coincidieron un aumento del tráfico de Teams y una reducción de la capacidad disponible.
El incidente afectó a servicios como Outlook, Exchange Online y Teams, además de SharePoint, Microsoft 365 Copilot y otras aplicaciones de Office. Los usuarios tuvieron dificultades para acceder al correo, leerlo o enviarlo; también se registraron problemas con algunas funciones de Teams. La interrupción se extendió a organizaciones y usuarios de todo el mundo.
Un defecto antiguo, agravado por dos cambios de carga
En su informe preliminar, difundido en el Centro de administración de Microsoft 365, la compañía describió tres factores concurrentes: un error de software no detectado, más tráfico en los gateways y capacidad de servidor reducida. El fallo estaba en una actualización creada específicamente para los servidores gateway de la red de Microsoft 365 e instalada en julio.
La actualización había funcionado durante más de tres meses sin provocar problemas visibles, pero contenía un defecto de contención de bloqueos en un proceso interno de Windows. En determinadas condiciones, esa contención agotaba recursos de CPU y memoria hasta que el servidor dejaba de responder. Charles Lamanna, vicepresidente ejecutivo de Microsoft para Copilot, agentes y plataforma, resumió el problema en X: «Un defecto latente hizo que los servidores se sobrecargaran y dejaran de responder bajo determinadas condiciones de carga».
Las pruebas de carga no reprodujeron el problema porque, según Microsoft, se centraron en máquinas con menos núcleos y menor potencia que los servidores de producción. La compañía señaló que la contención empeora en hardware más nuevo y con más núcleos. BleepingComputer recoge esta explicación del informe preliminar: «El problema de contención empeora en máquinas con más núcleos y hardware más nuevo; nuestras pruebas de carga tendían a centrarse en hardware más débil y con menos núcleos».
El segundo factor fue el desvío automático del tráfico de Teams hacia la infraestructura de red que también atiende Exchange Online. Ese cambio elevó la carga sobre los gateways implicados. The Guardian explica que Microsoft suele disponer de dos gateways de red, pero que uno no funcionaba para Teams, de modo que el tráfico acabó concentrado en el gateway principal.
El tercer factor ya había reducido los recursos disponibles: un problema no relacionado, ocurrido el día anterior, dejó fuera de servicio casi el 14% de la capacidad de los servidores gateway. Microsoft dijo que la infraestructura podía soportar esa pérdida de capacidad por sí sola; fue su combinación con el aumento del tráfico lo que activó el defecto. El pico de carga coincidió con una franja de alto tráfico en Estados Unidos, según la explicación de Lamanna recogida por The Guardian.
La avería se propagó de servidor en servidor
Cuando un gateway dejaba de responder, los sistemas desviaban las solicitudes a otro servidor que aún parecía operativo. Ese servidor recibía más tráfico, encontraba el mismo defecto y también se bloqueaba. En menos de dos horas, el problema se había extendido por la flota: en el punto más bajo, más del 80% de los servidores afectados no respondía, según Microsoft.
Los mecanismos destinados a limitar la propagación entre regiones tampoco evitaron que la avería se extendiera a escala mundial. BleepingComputer señala que esas salvaguardas no contuvieron el fallo en cascada. La caída dejó de ser un problema aislado de un gateway y pasó a afectar a varios servicios que dependían de esa infraestructura compartida.
Las primeras incidencias de acceso se notificaron el jueves 12 de noviembre. El registro cronológico publicado por The Register y recogido por TNW sitúa el fallo inicial del desvío de Teams a las 01:07 UTC del 12 de noviembre; el primer caso de soporte llegó a las 16:33 UTC. BleepingComputer, por su parte, sitúa el inicio del incidente a las 11:20 a. m. ET de ese jueves y la confirmación de la recuperación completa a las 11:10 a. m. ET del día siguiente.
En la página de incidentes de Microsoft que mantiene la Universidad de Pensilvania aparece además una incidencia separada de Teams, con código TM1550488. Afectó a funciones de mensajería en usuarios que accedían a servicios alojados o encaminados por las regiones de Norteamérica y Sudamérica, entre las 14:45 y las 15:53 UTC del 12 de noviembre. Microsoft atribuyó ese episodio a contención de recursos en la infraestructura subyacente; la página no establece si estaba relacionado con la caída global.
Por qué el correo tardó más en volver
Al principio, Microsoft intentó reiniciar los servidores afectados. Pero, al volver a estar disponibles, recibían el tráfico que se había acumulado y volvían a sobrecargarse. La recuperación automática no estaba diseñada para gestionar un fallo tan amplio, explicó la empresa, y las opciones habituales de reversión tampoco podían deshacer con rapidez un defecto introducido meses antes.
Los ingenieros prepararon una actualización para devolver el código de Windows a su estado anterior y la aplicaron por grupos de servidores. Así se pudo recuperar la infraestructura de forma escalonada y validar la estabilidad antes de avanzar. Teams, OneDrive, SharePoint y las aplicaciones de Office pudieron abandonar los gateways afectados y recuperarse antes; Exchange Online no pudo cambiar a una infraestructura alternativa por motivos de escala, lo que prolongó la interrupción de Outlook.
«La recuperación tardó más de lo habitual porque, cuando los servidores volvían al servicio, el tráfico en espera los sobrecargaba de inmediato y dejaban de responder otra vez».
— Charles Lamanna, vicepresidente ejecutivo de Copilot, agentes y plataforma de Microsoft
TNW sitúa el inicio de la aplicación de la corrección a las 07:20 UTC del 13 de noviembre. Microsoft envió su última actualización a clientes a las 04:15 UTC del 14 de noviembre. BleepingComputer indica que la compañía confirmó el fin del impacto activo a las 11:10 a. m. ET del 13 de noviembre; PCWorld añade que Microsoft procesó los correos que se habían quedado en cola durante la avería.
Impacto fuera de las aplicaciones de oficina
Downdetector registró avisos en 74 países y territorios, según Associated Press, citada por TNW y PCWorld. The Guardian informó de que cárceles no pudieron liberar a personas detenidas, hospitales recurrieron a registros en papel, escuelas perdieron contacto con las familias y departamentos de policía no pudieron recibir denuncias de delitos.
La interrupción también abrió preguntas sobre la dependencia de servicios comunes. El presidente del Comité de Seguridad Nacional de la Cámara de Representantes, Andrew Garbarino, dijo a Politico que estaba solicitando más información a Microsoft y a CISA, la agencia estadounidense de ciberseguridad y seguridad de infraestructuras. «Necesitamos entender qué ocurrió y cómo hacer que estos sistemas sean más resilientes», afirmó.
En otra reacción, Matt Hull, vicepresidente de inteligencia y respuesta cibernética de NCC Group, dijo a The Guardian: «Este es un ejemplo claro de la importancia no solo de la resiliencia cibernética, sino también de la resiliencia empresarial». Añadió que los informes sobre hospitales, escuelas y otros servicios esenciales muestran el alcance que puede tener una interrupción, sea cual sea su causa.
Microsoft descartó que la caída se debiera a un ciberataque o a agentes de inteligencia artificial. En su disculpa del 13 de noviembre, la empresa dijo que había restaurado ampliamente los servicios y que seguía recuperando a los clientes y regiones restantes. También explicó que había restablecido el servicio por etapas para comprobar la estabilidad en cada una.
El informe definitivo está previsto para el 20 de noviembre
Microsoft ha dicho que aumentó la capacidad, mejoró la monitorización y añadió salvaguardas para evitar que una redirección del tráfico provoque fallos en cascada similares.
El episodio se produjo después de otra interrupción de Google Cloud en su región de Londres el mes anterior, que afectó a servicios como Revolut, según TNW. Microsoft ha anunciado que el informe final incluirá más información sobre el incidente y las medidas para prevenir interrupciones similares.
Fuentes: TNW | Microsoft, BleepingComputer, PCWorld, the Guardian, University of Pennsylvania