58 Cloudamqp incidents · Δεκέμβριος 2024 — official updates, affected components, duration and resolution details.
We're investigating connectivity issues affecting some servers in Azure West Europe. We'll post an update as soon as we know more.
Connectivity to servers in southeast Asia has been restored.
Ερευνούμε θέματα συνδεσιμότητας που επηρεάζουν κάποιους διακομιστές στο Google europe-west2. Θα δημοσιεύσουμε μια ενημέρωση μόλις μάθουμε περισσότερα.
Συνεχίζουμε να ερευνούμε αυτό το ζήτημα.
Το περιστατικό περιορίζεται στους διακομιστές στο europe-west2-b
GCE εξακολουθεί να αναφέρει ζητήματα, αλλά βλέπουμε κάποιες κλήσεις API επιτυχία.
Η GCE επιβεβαίωσε ότι μια διακοπή ρεύματος στην europe-west2-b προκάλεσε τη διακοπή. Το ζήτημα της ισχύος έχει μετριαστεί, και η πλήρης ανάκτηση των επηρεαζόμενων φόρτου εργασίας αναμένεται διστακτικά από τις 13:00 UTC σήμερα. Συνεχίζουμε να παρακολουθούμε την ανάκαμψη.
Συνεχίζουμε να παρακολουθούμε για τυχόν περαιτέρω ζητήματα.
Το περιστατικό λύθηκε.
Αυτόματη μετάφραση από την επίσημη ενημέρωση του συμβάντος.
Ερευνούμε θέματα συνδεσιμότητας που επηρεάζουν κάποιους σέρβερ στη Δυτική Ευρώπη. Θα δημοσιεύσουμε μια ενημέρωση μόλις μάθουμε περισσότερα.
Η Azure γνωρίζει αυτό το θέμα και ερευνά ενεργά. Θα ανεβάσουμε νέα μόλις μάθουμε περισσότερα.
Η Azure έχει εντοπίσει αυτό το θέμα. Περιόρισαν το ζήτημα στην προσβασιμότητα αποθήκευσης που επηρεάζει την περιοχή. Οι ομάδες τους εκτελούν ενεργά δράσεις ανάκτησης στην πληγείσα υποδομή, ενώ συνεχίζουν να ερευνούν την υποκείμενη αιτία. Παρακολουθούμε την πρόοδο της ανάκαμψης και εργαζόμαστε για την αποκατάσταση των επηρεαζόμενων πόρων.
Καταφέραμε να επικοινωνήσουμε με περιπτώσεις στην Αζούρ Δυτική Ευρώπη. Η πλειοψηφία των περιπτώσεων είναι σε λειτουργία. Ο Αζούρ έχει ακόμα μερικά VMs να λύσει.
Όλες οι περιπτώσεις του CloudAMQP βρίσκονται σε εξέλιξη στη Δυτική Ευρώπη.
**Περίληψη ** Το CloudAMQP έχασε τη συνδεσιμότητα με ένα υποσύνολο συστάδων στη ζώνη διαθεσιμότητας Azure της δυτικής Ευρώπης 2 στις 9 Οκτωβρίου. Οι συστάδες ενός κόμβου στο AZ2 επηρεάστηκαν περισσότερο από το περιστατικό. ** Impact ** Οι πελάτες δεν ήταν σε θέση να έχουν πρόσβαση σε δεδομένα ή κόμβους χαλαζίας που είχαν αντίκτυπο κατά τη διάρκεια του συμβάντος. Χρονολόγιο των γεγονότων από το Azure. * 12:25 UTC στις 09 Οκτωβρίου 2026 – Αναγνωρίσαμε αυτό το ζήτημα μέσω των εσωτερικών ειδοποιήσεων παρακολούθησης υπηρεσιών μας. * 12:29 UTC στις 09 Οκτωβρίου 2026 - Η σύγκρουση των πελατών ξεκίνησε, με τις βλάβες δίσκων VM που ανιχνεύονται στην πληγείσα μονάδα κλίμακας αποθήκευσης Δυτικής Ευρώπης. * 2:30 UTC στις 09 Οκτωβρίου 2026 - Η έρευνα εντόπισε την απώλεια του καρδιακού παλμού σε πολλαπλούς κόμβους αποθήκευσης και τομείς ελαττωμάτων, με αποτέλεσμα η μονάδα κλίμακας αποθήκευσης να πάει σε κατάσταση κινδύνου. * 15:32 UTC στις 09 Οκτωβρίου 2026 - Πήραμε τη μονάδα κλίμακας αποθήκευσης από τη λειτουργία κινδύνου, απομόνωση των δίσκων στους διακομιστές αποθήκευσης που προσκρούουν για να καταστεί δυνατή η ανάκτηση των υπόλοιπων δίσκων. Σε αυτό το στάδιο, οι περισσότεροι από τους πληγέντες πελάτες άρχισαν να βλέπουν ανάκαμψη. * 21:00 UTC στις 09 Οκτωβρίου 2026 - Datacenter και οι μηχανικοί αποθήκευσης συνέχισαν την εκτέλεση του σχεδίου αποκατάστασης σε πολλαπλούς κόμβους αποθήκευσης. * 23:27 UTC στις 09 Οκτωβρίου 2026 - Οι προσπάθειες για την ανάκτηση των επηρεαζόμενων κόμβων αποθήκευσης ήταν επιτυχής, και η εργασία για την ανάκτηση των εικονικών δίσκων συνεχίστηκε. Οι επακόλουθες δράσεις ανάκαμψης περιλάμβαναν ανάκτηση σε επίπεδο κόμβου και αποκατάσταση των επηρεαζόμενων πόρων αποθήκευσης. * 03:00 UTC στις 10 Οκτωβρίου 2026 – Η λειτουργικότητα της υπηρεσίας ανακτήθηκε, και ο αντίκτυπος του πελάτη μετριάστηκε. ** Αιτίεςotόλων ** Η Azure βίωσε ένα θέμα πλατφόρμας με αποτέλεσμα να έχει αντίκτυπο στους δίσκους αποθήκευσης Azure Virtual Machines στην περιοχή της Δυτικής Ευρώπης AZ 2. Οι επιρρεπείς πελάτες μπορεί να έχουν παρουσιάσει αστοχίες συνδεσιμότητας, απροσδόκητες επανεκκινήσεις, ή εικονικές μηχανές που εισέρχονται σε μια αποτυχημένη κατάσταση στην περιοχή. ** Λύση ** Η πρόσβαση στο μηχάνημα αποκαταστάθηκε από την Azure σε περίπου 3 ώρες. Το CloudAMQP ήταν σε θέση να αποκαταστήσει την επικοινωνία με τους προσκρούοντας κόμβους. Συνεχίσαμε να παρακολουθούμε ενημερώσεις από το Azure για να διασφαλίσουμε ότι οι κόμβοι δεν είχαν πλέον αντίκτυπο.
Αυτόματη μετάφραση από την επίσημη ενημέρωση του συμβάντος.
Βλέπουμε υποβαθμισμένη συνδεσιμότητα δικτύου μεταξύ κάποιων μη-Azure δικτύων και Azure UAE North (zure-arm::uaenorth), που προκαλείται από ένα πρόβλημα δρομολόγησης σε έναν ανάντη πάροχο διαμετακόμισης. Όλοι οι διακομιστές στην περιοχή είναι έτοιμοι και επεξεργάζονται μηνύματα, και η παρακολούθηση, οι μετρήσεις και τα αρχεία καταγραφής λειτουργούν κανονικά. Πελάτες των οποίων οι πελάτες συνδέονται από δίκτυα που επηρεάζονται από αυτό το πρόβλημα δρομολόγησης μπορούν επίσης να δουν χρονόμετρα σύνδεσης. Έχουμε αναφέρει το πρόβλημα στον πάροχο και κατευθύνουμε τη δική μας κίνηση διαχείρισης γύρω από αυτό.
Η πορεία επανήλθε στο φυσιολογικό.
Το περιστατικό λύθηκε.
Αυτόματη μετάφραση από την επίσημη ενημέρωση του συμβάντος.
Αυτή τη στιγμή ερευνούμε αυτό το ζήτημα.
Το θέμα έχει εντοπιστεί και υλοποιείται μια λύση.
Εφαρμόστηκε μια ρύθμιση και παρακολουθούμε τα αποτελέσματα.
Το περιστατικό λύθηκε.
Αυτόματη μετάφραση από την επίσημη ενημέρωση του συμβάντος.
Το DigitalOcean αντιμετωπίζει σήμερα προβλήματα με το API και τον πίνακα ελέγχου του και μπορεί να πέσετε σε λάθη και υψηλότερη λανθάνουσα λανθάνουσα λανθάνουσα , ενώ το θέμα επιμένει
Το περιστατικό λύθηκε.
Αυτόματη μετάφραση από την επίσημη ενημέρωση του συμβάντος.
Λάβαμε διάφορες ειδοποιήσεις ενημερώνοντάς μας για δύο σέρβερ που αναπτύχθηκαν στις Δυτικές ΗΠΑ που δεν είναι προσβάσιμοι. Προφανώς αυτό φαίνεται να σχετίζεται συγκεκριμένα με αυτή την περιοχή που πλήττει το 25% των διακομιστών.
Η Microsoft Azure επιβεβαίωσε ότι είχαν θέματα δικτύου στην περιοχή των Δυτικών ΗΠΑ. Προς το παρόν, οι περισσότεροι servers λειτουργούν. Θα παρακολουθούμε για τις επόμενες ώρες.
Το περιστατικό λύθηκε.
Αυτόματη μετάφραση από την επίσημη ενημέρωση του συμβάντος.
We are currently investigating this issue.
The issue has been identified and a fix is being implemented.
A fix has been implemented and we are monitoring the results.
This incident has been resolved.
**Summary** Between June 25 and June 26, our monitoring system incorrectly reported some dedicated servers as unreachable and sent "server down" notifications for servers that were in fact operating normally. This was a monitoring-side issue only — no customer servers or services were actually down, and no data or message delivery was affected. **Impact** Affected customers received one or more alerts indicating their dedicated server was down. These alerts were false positives. The servers themselves remained healthy and fully available throughout the incident. **Root cause** Before connecting to a server, our monitoring system performs a network authorization step. A defect in how one component handled a transient network hiccup could leave a monitoring process unable to complete that step, after which it failed to connect to the servers it was responsible for checking. The servers themselves stayed healthy and available throughout — the monitoring process had simply lost its ability to reach them, and reported them as down. **Resolution** We identified the affected monitoring processes, confirmed the root cause in production, and deployed a fix that makes this authorization step resilient to such transient failures and able to recover automatically. After deploying, we monitored the system to confirm that notifications returned to normal. We apologize for the confusion these false notifications may have caused.
Between 17:30 and 20:00 UTC on 2026-05-30, our server monitoring system generated a large number of false "server_unreachable" alerts. Clusters were operational and healthy throughout this period — no customer data or message delivery was affected. The alerts were caused by a rolling restart of our monitoring service, during which individual monitoring workers went offline mid-cycle and lost state. This caused the workers to report connection timeouts for servers they could no longer reach — even though those servers were fully healthy. We apologize for any concern this may have caused.
This incident has been resolved.
We are investigating connectivity issues affecting some CloudAMQP instances in Azure West Europe. Affected instances may see connection failures or unexpected restarts. The root cause is an ongoing Microsoft Azure platform incident in the West Europe region (started 14:31 UTC, 23 May 2026). Microsoft is investigating.
Resolved — Microsoft has confirmed that the Azure West Europe Virtual Machines incident is resolved. The impact window was 14:09–14:13 UTC on 23 May 2026, during which a limited number of customers may have experienced connection failures or unexpected Virtual Machine restarts. The Azure environment self-healed and the service has been confirmed restored. Affected CloudAMQP instances should now be operating normally.
Since around 8pm UTC last night, some metrics are not being forwarded to legacy integration. Prometheus integrations not affected. We are investingating.
A fix has been implemented and we are monitoring the results.
This incident has been resolved.
# Legacy host metrics integrations degraded Incident window: 2026-05-21 18:37 UTC – 2026-05-22 04:05 UTC \(9h 28m\) Affected service: Legacy metric integrations \(CloudWatch, Datadog, Librato, New Relic, Splunk, Stackdriver\). Host metrics affected, not broker metrics, nor was internal monitoring or console graphs. ## Summary For ~9.5 hours, the service that collects host-level metrics \(CPU, memory, disk, network\) for legacy third-party integrations entered a crash loop and stopped shipping data. ## Root Cause An internal credential-signing service was migrated to a new container runtime the afternoon before. Due to a bug with environment variables the collector could not renew it's credentials. The collector's existing credential remained valid for several hours, so the failure only surfaced when it tried to renew. ## Resolution On-call staff detected the failure early morning, developers helped restore the service and collector recovered at 04:05 UTC. ## Prevention * All services, both signing and collector report failed authentication attempts earlier and with higher severity * Metrics pipeline alarm thresholds was tightened so a similar drop in data triggers alarms faster.
We are currently experiencing issues with our backend services handling account and server creation. This does not affect any running customer servers but might delay provisioning new servers.
The issue has been identified and a fix is being implemented.
A fix has been implemented and we are monitoring the results.
This incident has been resolved.
We are currently experiencing issues with our backend services handling account and server creation. This does not affect any running customer servers but might delay provisioning new servers.
A fix has been implemented and we are monitoring the results.
Still seeing slow requests, doing another investigation.
Looks like we're back at full performance now.
This incident has been resolved.
We are currently investigating this issue.
Servers in Azure West Europe can experience connection issues due to underlying issues at provider. Latest update from Azure "Current Status: We continue to investigate an availability issue caused by a subset of unhealthy backend storage infrastructure supporting Azure Virtual Machines and Azure Direct Drive in West Europe."
This incident has been resolved.
We are currently experiencing issues with our backend services handling account and server creation. This does not affect any running customer servers but might delay provisioning new servers.
The issue has been identified and a fix is being implemented.
A fix has been implemented and we are monitoring the results.
We had an abnormal increase in traffic causing timeouts and slow responses for customer.cloudamqp.com, we increased capacity and are back to normal. This did not affect any running clusters, just provisioning and configuration updates.
We are getting indications of instances being down in Azure region westus. We are investigating the issue.
This incident has been resolved.
Servers in Azure West US 3 can experience connection issues due to underlying issues at provider. We monitor and will update when we know more.
This incident has been resolved.
There appears to be an issue regarding sending metrics to all Legacy metrics integrations. Alarms based on broker metrics also got affected. We are currently investigating the issue Prometheus based metrics (Datadog v3 etc) not affected.
A fix has been implemented and we are monitoring the results.
This incident has been resolved.
Broker metrics and metrics integrations degradation Window: 2026-04-23 03:25 – 05:35 UTC \(2h 10m\) ## Impact Broker metrics \(connections, channels, queues, consumers, message rates, node and netsplit state\) were degraded, progressively dropping until recovery at 05:35 UTC. Downstream effects: * Queue, Consumer, Connection, Channel, Connection flow, and Netsplit alarms: threshold breaches during the window may not have triggered, or triggered late. Alarms already tripped before 03:25 UTC kept their state. * Metrics Integrations \(Datadog, CloudWatch, New Relic, Splunk, Dynatrace, etc.\): delivery of broker metrics was reduced for the duration of the window. Alarms configured on the receiving side may likewise have missed or lagged. Not affected: server metrics \(CPU, memory, disk\) and their corresponding alarms, Notice alarms, broker availability, and the metric graphs shown in the CloudAMQP console \(these use a separate data path and continued to update normally\). ## Timeline \(UTC\) * 03:25 — broker-metrics collection begins degrading * 03:35 — ~30% of broker-metric samples missing * 03:50 — ~50% plateau * 05:25 — collector workers cycled and re-initialised * 05:35 — full throughput restored ## Root cause Broker metrics are polled from each cluster's management HTTP API by a pool of collector workers and published to an internal message bus that both the Alarms service and Metrics Integrations consume from. At 03:25 UTC this service became unresponsive without raising an error. Affected workers silently stopped polling while remaining alive to the platform, so automatic restart did not trigger. On-call staff began investigating around 05:00 UTC; force-restarting the service restored metric flow. The exact trigger has not been identified. Our focus is on ensuring the condition is detected and handled promptly if it recurs. ## What we are changing * Added metrics and alarms specific to this service, with high-urgency paging for on-call. * Reliability improvements in the service itself to detect and restart stalled work. ## What you can do CloudAMQP offers a new generation of metrics integrations based on Prometheus, with a re-engineered pipeline that does not rely on these centralised services — each server forwards data directly to your endpoint. These have been running in production for some time and have proved very reliable. * [https://www.cloudamqp.com/blog/prometheus-metrics-integrations.html](https://www.cloudamqp.com/blog/prometheus-metrics-integrations.html) * [https://www.cloudamqp.com/docs/monitoring\_metrics\_datadog\_v3.html](https://www.cloudamqp.com/docs/monitoring_metrics_datadog_v3.html) * Background: [https://www.cloudamqp.com/blog/decentralized-observability-with-open-telemetry-part-1.html](https://www.cloudamqp.com/blog/decentralized-observability-with-open-telemetry-part-1.html)
One of our backend components suffered a small outage due to an unexpected full services restart. Connectivity with the servers were broken and service triggered alarms for many clusters. We apologize for the inconvenience. All clusters were operational and healthy within the incident/alarms timespan.
Customers are experiencing Management UI being unavailable with 502 Bad Gateway. Timeline: - 14:16 UTC -> The issue was identified - 14:30 UTC -> Recent code changes were reverted. No relationship with incident noted.
The Management UI and brokers are serving traffic normally. You can still use the Management UI by using the Broker URL and properly typing User and Password. The impact is related to our backend service logs into Management UI via CloudAMQP SSO.
We are continuing to work on a fix for this issue.
The Management UI SSO shortcut is back to service. Impacted Clusters: All customers with clusters created more than 6 months ago Cause: Some code changes unexpectedly changed the communication schema between our backend services and the SSO component on the clusters. The proxy configuration conflicted with those changes causing the 502 Bad Gateway error to show up. Impact: Only the SSO via CloudAMQP Console was impacted given it required communication with our backend components. The AMQP Clusters were healthy and servicing traffic via both AMQP and HTTP on Management UI and API. Logging into the Management UI via Credentials and all Authentications Backends was functioning normally.
