Cuando falla la refrigeración, también falla la continuidad operativa: el caso Microsoft Azure

Un incidente que demostró la importancia de la infraestructura crítica

El 4 de septiembre de 2018, una intensa tormenta eléctrica afectó las instalaciones de Microsoft Azure en Texas, Estados Unidos, provocando una de las interrupciones más significativas de su infraestructura en la nube.

Las perturbaciones eléctricas generaron variaciones de tensión que comprometieron los sistemas de refrigeración del centro de datos ubicado en la región South Central US.

Aunque parte de la infraestructura contaba con alimentación eléctrica de respaldo, la pérdida de capacidad de enfriamiento provocó un incremento de temperatura que obligó a ejecutar procedimientos de apagado para proteger los servidores y sus componentes.

El incidente afectó diferentes servicios de Microsoft Azure y sus plataformas asociadas. La recuperación de Visual Studio Team Services (actualmente Azure DevOps) requirió más de 21 horas para restablecer completamente sus servicios en la región afectada.

Este acontecimiento dejó en evidencia una realidad fundamental: disponer de energía eléctrica no garantiza, por sí solo, la continuidad operativa de un data center.

La refrigeración: un componente esencial para la disponibilidad

Los centros de datos requieren sistemas de infraestructura capaces de garantizar condiciones operativas adecuadas durante las 24 horas del día, los 365 días del año.

Tradicionalmente, cuando se habla de disponibilidad, se hace especial énfasis en los sistemas de alimentación ininterrumpida (UPS), grupos electrógenos y arquitecturas eléctricas redundantes.

Sin embargo, la refrigeración de precisión representa un componente igualmente crítico.

Los servidores y equipos de comunicaciones generan calor de manera continua. Cuando la capacidad de refrigeración resulta insuficiente, las temperaturas pueden alcanzar niveles que comprometan el funcionamiento de los equipos.

Incluso si la alimentación eléctrica permanece disponible, una falla en la climatización puede provocar la interrupción de los servicios informáticos.

Por este motivo, los sistemas eléctricos y termomecánicos deben considerarse partes interdependientes de una misma infraestructura crítica.

¿Qué podemos aprender del incidente de Microsoft Azure?

El análisis de este caso permite identificar cinco aspectos fundamentales para mejorar la disponibilidad y resiliencia de un centro de datos.

1. Redundancia y eliminación de puntos únicos de falla

La redundancia debe contemplar todos los subsistemas que intervienen en la operación.

No alcanza con duplicar equipos: también es necesario evaluar las dependencias eléctricas, mecánicas y de control que podrían comprometer simultáneamente diferentes componentes.

El objetivo es identificar puntos únicos de falla y reducir el riesgo de interrupciones ante contingencias.

2. Monitoreo continuo de la infraestructura

La supervisión permanente permite detectar condiciones anormales antes de que evolucionen hacia fallas críticas.

Mediante plataformas DCIM (Data Center Infrastructure Management), es posible centralizar información sobre:

• Estado operativo de UPS y sistemas eléctricos.
• Funcionamiento de los equipos de refrigeración.
• Temperaturas y condiciones ambientales.
• Consumos eléctricos y distribución de cargas.
• Alarmas y eventos de infraestructura.

La integración de estos parámetros permite mejorar la capacidad de diagnóstico y facilitar una respuesta oportuna ante incidentes.

3. Mantenimiento preventivo y predictivo

El mantenimiento periódico constituye una de las principales herramientas para reducir riesgos operativos.

Las inspecciones, verificaciones funcionales y tareas preventivas permiten detectar condiciones de deterioro antes de que provoquen interrupciones.

Complementariamente, el mantenimiento predictivo utiliza información operacional y tendencias de funcionamiento para anticipar posibles fallas.

Ambas estrategias contribuyen a incrementar la confiabilidad y prolongar la vida útil de los activos.

4. Pruebas de contingencia y recuperación

La disponibilidad de sistemas redundantes debe verificarse mediante procedimientos de prueba.

Resulta fundamental evaluar el comportamiento de la infraestructura frente a situaciones como la pérdida del suministro eléctrico, la indisponibilidad de equipos de refrigeración o las fallas en los sistemas de transferencia.

Las pruebas planificadas permiten comprobar el funcionamiento de los mecanismos de respaldo, identificar debilidades y mejorar los procedimientos de respuesta.

Estas actividades deben desarrollarse bajo condiciones controladas y mediante una evaluación previa de riesgos.

5. Gestión integral mediante Facility Management

La continuidad operativa no depende exclusivamente de la tecnología instalada.

También requiere procedimientos documentados, personal especializado, coordinación de mantenimiento y supervisión de las condiciones operativas.

El Facility Management permite integrar estos elementos mediante una gestión organizada de la infraestructura crítica.

Su implementación contribuye a minimizar riesgos, mejorar la eficiencia y asegurar que los diferentes sistemas funcionen de manera coordinada.

La importancia de anticiparse a las fallas

El incidente de Microsoft Azure demuestra que incluso las infraestructuras tecnológicas más avanzadas pueden experimentar interrupciones importantes.

La diferencia entre una contingencia controlada y una interrupción prolongada puede estar determinada por la capacidad de detectar anomalías, comprender las dependencias entre sistemas y ejecutar procedimientos de recuperación adecuados.

Por eso, la resiliencia de un data center no debe evaluarse únicamente por la cantidad de equipos redundantes disponibles.

También debe considerarse la arquitectura de la instalación, su mantenimiento, los procedimientos de operación y la preparación del personal responsable.

La verdadera continuidad operativa se construye mediante prevención, monitoreo, mantenimiento y una gestión integral de la infraestructura.

PowerPlus: soluciones para la continuidad operativa

En PowerPlus trabajamos para acompañar a las organizaciones en el diseño, implementación, mantenimiento y operación de sus infraestructuras críticas.

A través de soluciones de energía segura, monitoreo de infraestructura, mantenimiento especializado y servicios de Facility Management, contribuimos a mejorar la confiabilidad y disponibilidad de los centros de datos.

Nuestro objetivo es ayudar a las organizaciones a identificar riesgos, optimizar sus instalaciones y fortalecer la continuidad de sus operaciones.

Porque una infraestructura verdaderamente resiliente no es aquella que nunca experimenta fallas, sino aquella que está preparada para responder adecuadamente cuando ocurren.

¿Está preparado su data center para enfrentar una contingencia?

La evaluación periódica de la infraestructura permite identificar vulnerabilidades, optimizar procedimientos y establecer estrategias de mejora.

Conozca cómo las soluciones y servicios de PowerPlus pueden contribuir a fortalecer la continuidad operativa de su organización.

---

Referencia técnica: Microsoft, Postmortem: VSTS 4 September 2018, publicado el 10 de septiembre de 2018.