L
现场有过这样的投诉:业务闪了一下,光模块和交换机面板灯很快恢复,网管上却没有链路告警,只有终端侧丢了几个包。事后去翻 SNMP 的链路状态,采样周期是 30 秒甚至 1 分钟,短于这个窗口的闪断会被完全吞掉。这类问题不是没有发生,是采集方式看不到。
在 Linux 主机或用 Linux 做控制面的工业交换机上,我更愿意先看内核的 carrier 事件,而不是先怀疑光模块“自愈得太快”。netif 的 IFF_RUNNING / LOWER_UP 变化会通过 netlink route 组播出去,时间戳可以精确到事件发生的那一刻。用 ip monitor link 或一段订阅 RTM_NEWLINK 的小程序,把 ifi_flags、ifi_change 和单调时钟记下来,就能回答“闪断有没有发生、持续了多少毫秒、是否成对出现 down/up”。再和交换机的光功率、FEC 计数、以及主机丢包时间对齐,责任才清楚。
如果 netlink 里确实有一次短于 50 ms 的 down/up,再去查光路、笼子和电源;如果 netlink 完全没有 carrier 变化,只有应用丢包,就应该去看协议栈、邻居表、CPU 峰值或对端协议超时,而不是清洁法兰。很多“光口闪断”最后被证明是对端生成树或环网协议的短暂丢转发,本端 carrier 一直是通的。
部署上建议把这类事件落到本地环形日志,容量不必大,但要带时间戳和端口名,并防止日志风暴把磁盘写满。SNMP 仍可用于趋势和告警,不适合作为短时闪断的唯一证据。把轮询周期写进故障单而不写事件记录,事后几乎无法复盘。
如果要和网管告警对接,可以把持续超过约定门限的 carrier 事件再生成一条 SNMP trap 或 syslog,短于门限的只留本地环形日志。这样既不会把 20 毫秒的闪断淹没,也不会把网管炸成告警风暴。门限要按业务容忍度来,不要按轮询周期倒推。
光口问题可短可长。短事件要用事件驱动的 carrier 记录来证明它存在,再用光层计数解释它为什么存在。只靠慢轮询,会把真实闪断讨论成“偶发误报”。
在 Linux 主机或用 Linux 做控制面的工业交换机上,我更愿意先看内核的 carrier 事件,而不是先怀疑光模块“自愈得太快”。netif 的 IFF_RUNNING / LOWER_UP 变化会通过 netlink route 组播出去,时间戳可以精确到事件发生的那一刻。用 ip monitor link 或一段订阅 RTM_NEWLINK 的小程序,把 ifi_flags、ifi_change 和单调时钟记下来,就能回答“闪断有没有发生、持续了多少毫秒、是否成对出现 down/up”。再和交换机的光功率、FEC 计数、以及主机丢包时间对齐,责任才清楚。
如果 netlink 里确实有一次短于 50 ms 的 down/up,再去查光路、笼子和电源;如果 netlink 完全没有 carrier 变化,只有应用丢包,就应该去看协议栈、邻居表、CPU 峰值或对端协议超时,而不是清洁法兰。很多“光口闪断”最后被证明是对端生成树或环网协议的短暂丢转发,本端 carrier 一直是通的。
部署上建议把这类事件落到本地环形日志,容量不必大,但要带时间戳和端口名,并防止日志风暴把磁盘写满。SNMP 仍可用于趋势和告警,不适合作为短时闪断的唯一证据。把轮询周期写进故障单而不写事件记录,事后几乎无法复盘。
如果要和网管告警对接,可以把持续超过约定门限的 carrier 事件再生成一条 SNMP trap 或 syslog,短于门限的只留本地环形日志。这样既不会把 20 毫秒的闪断淹没,也不会把网管炸成告警风暴。门限要按业务容忍度来,不要按轮询周期倒推。
光口问题可短可长。短事件要用事件驱动的 carrier 记录来证明它存在,再用光层计数解释它为什么存在。只靠慢轮询,会把真实闪断讨论成“偶发误报”。
国际光通信论坛