
先週発生した大規模なMicrosoft 365障害について、Microsoftが暫定的なインシデントレポートを公開しました。
今回の障害では、OutlookやExchange Onlineをはじめ、Teams、SharePoint、Copilotなど複数の主要サービスが影響を受け、世界中の利用者が12時間以上にわたってメールや業務サービスにアクセスできない状態が続き、社会的な問題となりました。
障害の根本原因は「単一の不具合」ではなかった
Microsoftによると、今回の障害は単純なシステム不具合ではなく、3つの問題が同時に発生したことで引き起こされた大規模な連鎖障害でした。
その発端となったのは、2026年7月にMicrosoft 365のネットワークゲートウェイ向けに導入された修正プログラムです。この更新には特定の条件下でサーバー内部の処理競合を引き起こす不具合が含まれており、サーバーが応答しなくなる可能性がありました。問題のコードは通常のテストを通過し、、数週間かけて世界中へ展開されていて、その時点では異常は確認されていませんでした。
この不具合がテスト環境では再現されなかった原因として、ハードウェアの違いをMicrosoftはあげています。テスト環境の多くが比較的古いサーバーハードウェアで構成されていたのに対し、不具合はCPUコア数の多い新しいサーバーで発生しやすい性質を持っており、実運用環境とテスト環境の差が問題の見逃しにつながったとのことです。
障害を悪化させた2つの要因
障害を悪化させた次の理由として、障害発生の数時間前、MicrosoftがTeamsの通信トラフィックを予備系のネットワークゲートウェイから、Exchange Onlineも利用する主要ゲートウェイへ移行したことがあります。これは通常のフェイルオーバー手順の一環でしたが、結果として主要ゲートウェイへの負荷が増加しました。
最後の理由は、その時点でゲートウェイサーバー全体の約14%が別の問題によって利用不能な状態となってたことです。通常運用には十分な余力が残されていたものの、Teamsから流入した追加トラフィックによって状況が変化します。
負荷が高まったことで潜在的なソフトウェア不具合が表面化し、サーバーが応答不能に陥ります。インフラ側は正常なサーバーへ通信を自動迂回させますが、これよって別のサーバーにも負荷が集中し、同じ不具合が次々と発生し、障害は雪だるま式に拡大していきました。
Microsoftによれば、この連鎖障害はわずか2時間足らずでネットワークゲートウェイ群の約80%にまで広がりました。通常であればリージョン分離や容量分割によって障害の拡散を防げる設計になっていますが、保護機能が十分に機能せず、影響が世界規模へと波及したとのことです。
復旧作業も想定以上に困難だった
障害発生後、Microsoftは原因となった不具合を特定しました。しかし問題のコードは7月から稼働していたため、単純なロールバックでは対応できませんでした。
停止したサーバーを再起動しても、蓄積された大量の通信が一斉に流れ込み、再びサーバーが不安定になる状況が続いたとのことです。最終的にはサーバー群を段階的に停止し、不具合を修正したうえで再起動しながら慎重にサービスを復旧させました。
まとめ
今回の障害は、「7月に導入された潜在的なソフトウェア不具合」「Teamsトラフィックの切り替え」「サーバー容量不足」という3つの要因が重なったことで発生しました。さらに、通常は障害拡大を防ぐはずの保護機構も十分に機能せず、結果としてMicrosoft 365史上でも大規模なサービス停止の一つとなりました。Microsoftは今後、より詳細な最終報告書を公開し、同様の障害を防ぐための対策を明らかにする予定です。
