Contexte de l'incident
Le 12 novembre 2026, à 16:20 UTC, Microsoft 365 et Exchange Online ont subi une interruption majeure qui a duré jusqu'au 13 novembre 16:10 UTC, soit près de 24 heures. L’incident, répertorié sous les identifiants EX1550543 et MO1550821, a touché des entreprises et des administrations publiques dépendantes des services cloud de Microsoft. Le rapport préliminaire publié par Microsoft précise qu’il s’agit d’un problème technique, excluant toute implication cybernétique ou liée à l’IA.
Mécanisme du défaut et architecture du gateway
Le point d’origine est un défaut latent introduit lors d’une mise à jour du cloud gateway en juillet 2026. Cette modification a créé une condition où, sous certaines charges, le processeur (CPU) et la mémoire pouvaient être entièrement consommés, rendant le service non réactif. Microsoft indique que le test pré‑production a échoué à détecter le bug parce que le matériel utilisé était moins puissant que celui déployé en production ; les serveurs de production possédaient davantage de cœurs CPU, ce qui a accentué le verrouillage des ressources. Le gateway fonctionne en double : deux systèmes indépendants assurent la résilience en redirigeant le trafic lorsqu’un des deux devient indisponible.
Interaction du trafic et saturation des serveurs
Quinze heures avant la panne, une opération de maintenance standard a déplacé le trafic de Teams du gateway secondaire vers le primaire. Ce basculement, prévu comme un mécanisme de secours, a modifié le profil de requêtes traitées par le gateway principal, augmentant le volume et la diversité des appels. La combinaison d’un trafic plus important et d’un bug de gestion des ressources a conduit les serveurs à atteindre leur capacité maximale, refusant ainsi de nouvelles connexions. L’incapacité du système à équilibrer dynamiquement la charge entre les deux gateways a aggravé la situation, car le gateway secondaire était déjà occupé par d’autres flux.
Analyse des limites et enseignements
Le rapport souligne trois facteurs convergents : un défaut logiciel non détecté, une charge de trafic inattendue et une capacité serveur insuffisante. L’absence de tests sur du matériel équivalent à la production révèle une lacune dans les procédures de validation. De plus, le mécanisme de basculement, bien que conçu pour la résilience, n’intègre pas de contrôle de la charge en temps réel, ce qui a permis au gateway principal de dépasser ses limites physiques. Pour éviter la récurrence, Microsoft devra aligner les environnements de test sur les configurations de production, implémenter une surveillance granulaire du CPU/mémoire lors des basculements, et envisager un équilibrage dynamique du trafic entre les deux gateways. Ces mesures pourraient réduire le risque d’une nouvelle interruption de l’ampleur observée.