Microsoft a apporté des explications concernant la panne récente de près de 20 heures qui a perturbé Outlook, Exchange Online et d'autres services Microsoft 365 : trois facteurs principaux en seraient à l'origine. Un défaut logiciel introduit par une modification conçue pour les serveurs de Microsoft 365 et déployée depuis juillet dernier s'est combiné à un pic de trafic Teams et à un déficit de capacité de 14 %, causé par un incident non lié à la panne. Au plus fort de la perturbation, plus de 80 % des serveurs touchés ont cessé de répondre. Microsoft explique que ses tests de charge n’ont pas détecté cette faille et que ses processus de reprise automatisés n’étaient pas conçus pour pour rétablir le service à partir de l'état généralisé de non-réponse. Un rapport final d’analyse post-incident devrait prochainement être publié.Microsoft 365 (anciennement Office 365) est une gamme de logiciels de productivité, d'outils de collaboration et de services cloud développée et détenue par Microsoft. Elle englobe des services en ligne tels que Outlook.com, OneDrive, Microsoft Teams, des programmes anciennement commercialisés sous le nom de « Microsoft Office », ainsi que des produits et services d'entreprise associés à ces produits, tels qu'Exchange Server, SharePoint et Viva Engage. Microsoft 365 couvre également des formules d’abonnement regroupant ces produits, notamment celles qui incluent des licences par abonnement pour des logiciels de bureau et mobiles, ainsi que des services hébergés de messagerie électronique et d’intranet.
Pour rappel, le 12 novembre dernier, une panne massive de Microsoft 365 a perturbé Outlook, Teams et Copilot dans le monde entier, les serveurs de l’éditeur s’étant déconnectés de manière inattendue. À cette date, l’entreprise a affirmé travailler « de toute urgence » pour tenter de remédier aux pannes et a fait état d'une « reprise partielle » dans certaines régions, sans toutefois parvenir à la rendre durable. Du côté des utilisateurs, la tension est montée : les signalements de problèmes concernant Outlook ont atteint environ 130 000 sur Downdetector. Microsoft a pour sa part indiqué que les serveurs concernés étaient indisponibles et échouaient aux contrôles d’intégrité automatiques, ce qui accentuait la charge pesant sur ceux encore en service.
Plus récemment, Microsoft a révélé les défaillances techniques à l'origine de la panne massive qui a perturbé Outlook, Microsoft 365, Exchange Online et d'autres services pendant près de 20 heures la semaine de mi-novembre. Selon le rapport post-incident de l'entreprise, la combinaison d'un défaut logiciel non détecté auparavant, d'une augmentation du trafic réseau et d'une capacité réduite des serveurs a déclenché une défaillance en cascade sur l'ensemble de son infrastructure mondiale.
Cette perturbation a affecté plusieurs services Microsoft 365, même si des applications telles que Teams, OneDrive, SharePoint et Office ont été rétablies plus rapidement qu’Outlook et Exchange Online.
Microsoft a précisé que cet incident n’était pas dû à un seul dysfonctionnement. En réalité, trois problèmes distincts se sont produits simultanément, saturant la passerelle réseau chargée de gérer le trafic entre plusieurs de ses services cloud.
« L'incident a été provoqué par trois facteurs principaux qui, combinés, ont entraîné une panne globale de la passerelle réseau qui dessert de nombreux services Microsoft 365 », a déclaré l'entreprise.
Au plus fort de la perturbation, plus de 80 % des serveurs de passerelle touchés ont cessé de répondre, ce qui a empêché les mécanismes de reprise automatisés de Microsoft de rétablir le fonctionnement normal.
Un bug logiciel dissimulé a échappé aux tests de Microsoft pendant des mois
Le premier facteur majeur était un défaut logiciel introduit par une modification spécialement conçue pour les serveurs de passerelle réseau de Microsoft 365.
La modification a commencé à être mise en œuvre en juillet 2026 et a été progressivement déployée sur l'ensemble de l'infrastructure de Microsoft en l'espace de plusieurs semaines. Bien qu'elle ait satisfait aux procédures standard de test et de déploiement de l'entreprise, la faille est restée inaperçue pendant des mois.
« Pendant plus de trois mois, la modification a été déployée à l'échelle mondiale sans causer d'impact », a déclaré Microsoft.
Le problème n'est apparu que lorsque les serveurs ont été confrontés à des combinaisons particulières de trafic et de demandes de traitement. Dans ces conditions, les serveurs Windows concernés pouvaient être saturés et cesser de répondre.
Microsoft a reconnu que son environnement de test n'avait pas permis de reproduire les conditions nécessaires pour mettre en évidence ce défaut.
« Nos tests de charge habituels n'ont pas détecté ce problème latent en raison de la composition du trafic et des références utilisées dans nos laboratoires », a précisé l'entreprise.
La société a expliqué que ce problème était plus susceptible de se produire sur les machines récentes dotées d’un nombre plus élevé de cœurs. Cependant, ses procédures de test s’étaient principalement concentrées sur du matériel moins puissant.
Microsoft a clarifié que tant le défaut que la modification logicielle associée concernaient spécifiquement l’infrastructure de passerelle Microsoft 365 et n’affectaient pas les déploiements généraux de Windows.
Le trafic de Teams a augmenté le risque que les serveurs soient confrontés au défaut logiciel
Le deuxième facteur à l'origine de ce problème était l'augmentation du trafic transitant par la passerelle réseau concernée.
Microsoft exploite deux systèmes de passerelles réseau distincts afin de garantir la disponibilité des services en cas de problèmes techniques ou d’opérations de maintenance.
« Au sein de Microsoft 365, nous disposons de deux systèmes de passerelles réseau indépendants et hétérogènes, conçus pour assurer l’isolation et la haute disponibilité », a déclaré l’entreprise. « Cela permet à de nombreux services Microsoft 365 de basculer vers l’un ou l’autre de ces systèmes en cas de panne ou d’interruption. »
Environ 15 heures avant le début des perturbations généralisées, le trafic de Microsoft Teams a été transféré de la passerelle de secours vers la passerelle principale, qui gère également le trafic d’Exchange Online.
Bien que ces transferts s’inscrivent dans le cadre des procédures de fiabilité de routine de Microsoft, cette charge de travail supplémentaire a modifié les schémas de trafic et accru la pression sur l’infrastructure principale.
Cette demande accrue a augmenté le risque que les serveurs soient confrontés à ce défaut logiciel qui n’avait pas été détecté auparavant.
Une perte de capacité due à un autre incident a réduit la marge d'erreur de Microsoft
Un autre problème d'infrastructure est venu compliquer davantage la situation. Microsoft a révélé qu'environ 14 % de la capacité de ses serveurs de passerelle réseau était déjà indisponible en raison d'un incident sans rapport avec celui-ci, survenu la veille.
L'entreprise avait prévu de remettre ces serveurs en service dans le cadre de ses procédures de maintenance habituelles.
« Cette capacité serveur devait être remise en service dans le cadre des processus de maintenance et de contrôle de l'état de santé habituels », a déclaré Microsoft. « Le service disposait d'une marge de capacité suffisante ; la réduction de la capacité serveur n'a donc eu aucun impact en soi. »
Cependant, la combinaison d'une capacité réduite et d'un trafic Teams accru a poussé l'infrastructure restante dans des conditions qui ont déclenché le défaut logiciel.
La situation s'est aggravée pendant les heures de pointe aux États-Unis, lorsque les requêtes ont commencé à s'accumuler et que les serveurs ont cessé de répondre.
Les systèmes de gestion du trafic de Microsoft ont tenté de rediriger les requêtes loin des machines touchées vers des serveurs opérationnels.
Dans des circonstances normales, ce processus permet d'éviter des interruptions à grande échelle. Lors de cet incident, cependant, le trafic redirigé a exercé une pression supplémentaire sur le reste de l'infrastructure, ce qui a entraîné l'apparition du même défaut sur d'autres serveurs.
La réaction en chaîne qui en a résulté s'est propagée rapidement.
En l'espace de deux heures, le problème s'était propagé à l'ensemble des serveurs passerelles de Microsoft, plus de 80 % d'entre eux ayant cessé de répondre au moment où la disponibilité du service était la plus faible.
Microsoft a également identifié une défaillance distincte au niveau des mécanismes d'infrastructure destinés à empêcher la propagation des problèmes d'une région à l'autre.
« En temps normal, la passerelle réseau est composée de milliers d’« unités de capacité » qui représentent des segments de capacité, de matériel et d’infrastructure réseau », a expliqué Microsoft. « Ces « unités de capacité » sont ensuite organisées en régions. Dans ce cas précis, en raison d’un problème distinct, les barrières habituelles entre ces différentes partitions n’ont pas empêché la propagation en cascade de la défaillance. »
En conséquence, une défaillance qui aurait normalement été circonscrite s’est propagée à l’ensemble de l’infrastructure réseau mondiale de l’entreprise.
Pourquoi certains services Microsoft ont repris alors qu’Outlook restait indisponible
Les services Microsoft n’ont pas tous été affectés par cette interruption pendant la même durée.
Teams, OneDrive, SharePoint et les applications Office ont pu détourner leur trafic de l’infrastructure de passerelle défaillante, ce qui leur a permis de reprendre leurs activités relativement rapidement.
« C’est pourquoi ces services ont été partiellement rétablis plus tôt, les discussions et les réunions sur Teams ayant fonctionné sans problème pendant la majeure partie de la panne », a déclaré Microsoft. « Mais tous les services, comme Exchange Online, ne peuvent pas basculer hors de cette passerelle réseau pour des raisons d’évolutivité. »
Exchange Online restait dépendant de la passerelle concernée, ce qui a compliqué la reprise des opérations.
Les ingénieurs de Microsoft ont également rencontré des difficultés pour redémarrer les serveurs, car le trafic accumulé a immédiatement saturé les machines dès leur remise en ligne.
« Nos processus de reprise normalement automatisés n’étaient pas conçus pour rétablir le service à partir de cet état généralisé de non-réponse », a déclaré Microsoft. « De plus, comme le défaut principal du code était un bug latent datant de plusieurs mois, nos procédures habituelles de rollback, de déploiement...
La fin de cet article est réservée aux abonnés. Soutenez le Club Developpez.com en prenant un abonnement pour que nous puissions continuer à vous proposer des publications.

Quel est votre avis sur le sujet ?