AWS se izvinjava zbog 14-satnog nestanka i navodi uzroke zastoja u regiji podatkovnih centara u SAD-u

Amazon Web Services (AWS) izdao je izvinjenje svojim korisnicima koji su doživjeli neugodnosti zbog 14-satnog prekida rada njegovog najvećeg američkog regiona centara podataka 20. oktobra, u blogu u kojem se detaljno opisuje precizna priroda tehničkih poteškoća koje su pretrpjele njegove usluge.

Kako je ranije izvijestio Computer Weekly, prekid je nastao u regiji podatkovnog centra US-East-1 giganta javnog oblaka u Sjevernoj Virdžiniji i izazvao je poremećaj velikih razmjera u nizu kompanija širom svijeta, uključujući i Veliku Britaniju.

Društveni mediji i komunikacijske usluge kao što su Snapchat i Signal pretrpjele su smetnje u svojim uslugama, kao i internet entiteti u vlasništvu Amazona, poput njegovog maloprodajnog mjesta, Ring doorbell i Alexa usluga.

Pružalac finansijskih usluga Lloyds Bank Group, zajedno sa svojim podružnicama Halifax i Royal Bank of Scotland, te vladinom agencijom za naplatu poreza HM Revenue and Carina, također su pogođeni u Velikoj Britaniji zbog prekida rada.

Kao rezultat toga, HM Treasury se sada suočava sa pozivima da se izjasni zašto – s obzirom na njegovu ulogu glavnog dobavljača usluga u oblaku za sektor finansijskih usluga Ujedinjenog Kraljevstva – AWS do sada nije bio pozvan u djelokrug svog režima kritičnih trećih strana (CTP).

Inicijativa daje HM Treasury ovlaštenja da odredi dobavljače u sektoru finansijskih usluga kao CTP, što znači da se njihove aktivnosti mogu staviti u nadzorni djelokrug različitih finansijskih regulatora u Velikoj Britaniji.

Namjera je da bi to moglo pomoći u boljem upravljanju svim potencijalnim rizicima za stabilnost i otpornost finansijskog sistema Ujedinjenog Kraljevstva koji bi mogli nastati kao rezultat poremećaja u pružanju usluga treće strane, kao što se dogodilo sa AWS-om ove sedmice.

Kompanija je sada objavila opsežan dokument sa sažetkom nakon događaja, koji potvrđuje da se prekid dogodio u tri različite faze kao rezultat problema koji su se pojavili u nekoliko dijelova njene infrastrukture.

Kao takva, kompanija je saopštila da je 20. oktobra nešto pre 8 ujutro po britanskom vremenu, njena potpuno upravljana, bez servera, NoSQL baza podataka koja nudi Amazon DynamoDB počela da doživljava povećane stope grešaka u interfejsu za programiranje aplikacija (API), koje su trajale nešto manje od tri sata.

Zatim, od oko 13:00 po britanskom vremenu 20. oktobra, neki od balansera mrežnog opterećenja (NLB) u okviru regije US-East-1 počeli su da doživljavaju povećane greške u vezi, koje su potrajale do oko 22 sata istog dana. “Ovo je uzrokovano neuspjehom u zdravstvenoj provjeri u floti NLB-a, što je rezultiralo povećanim brojem grešaka u povezivanju”, navodi se u sažetku dokumenta.

Pored toga, AWS je rekao da su se problemi pojavili kada su učinjeni pokušaji pokretanja instanci njegovih virtuelnih servera Elastic Cloud Compute (EC2), što je problem koji je trajao od oko 10.30 ujutro 20. oktobra po britanskom vremenu do 18.30 sati.

“Nova pokretanja EC2 instance nisu uspjela i, dok su pokretanja instance počela uspjeti od 10:37 PDT [6.37pm UK time]neke novopokrenute instance imale su probleme s povezivanjem koje su riješene do 13:50 [9.50pm UK time]“, nastavlja se u rezimeu dokumenta.

Takođe je potvrđeno da su druge AWS usluge koje se nalaze u okviru US-East-1 pretrpjele negativne efekte kao rezultat problema sa kojima su se suočili DynamoDB, EC2 i njegova mrežna postavka balansiranja kredita.

“Uvodimo nekoliko promjena kao rezultat ovog operativnog događaja”, rekli su iz kompanije. “Dok nastavljamo raditi na detaljima ovog događaja na svim AWS uslugama, tražit ćemo dodatne načine da izbjegnemo uticaj sličnog događaja u budućnosti i kako dodatno smanjiti vrijeme do oporavka.”

Kompanija je zatim zaključila sažeti dokument uz izvinjenje svim kupcima pogođenim nestankom.

“Iako imamo dobru evidenciju o radu naših usluga uz najviši nivo dostupnosti, znamo koliko su naše usluge kritične za naše klijente, njihove aplikacije i krajnje korisnike, i njihova poslovanja”, navodi se u rezimeu dokumenta. “Znamo da je ovaj događaj utjecao na mnoge kupce na značajan način. Učinit ćemo sve što možemo da naučimo iz ovog događaja i iskoristimo ga da još više poboljšamo našu dostupnost.”

Pročitajte više o Infrastrukturi kao usluzi (IaaS)

• Ispad Cloudflarea ometa javne web usluge

  Autor: Alex Scroxton

• Vlada se suočava s pitanjima zašto je nestanak AWS-a u SAD-u poremetio britansku poreznu kancelariju i bankarske firme

  Autor: Caroline Donnelly

• AWS potvrđuje da radi na ‘potpunom obnavljanju’ usluga nakon većeg prekida rada

  Autor: Caroline Donnelly

• Letovi u Velikoj Britaniji obustavljeni su nakon prekida kontrole letenja

  Autor: Alex Scroxton