异地组网上线了，怎么知道它一直正常

“组网上个月不是装好了吗，怎么仓库说系统又卡了？”这是很多公司组网上线两三个月后的典型对话。上线那天测得都好：文件能传、画面能看、速度达标。然后就没有然后了，直到某天业务部门先发现不对劲。

问题出在”验收”和”运行”之间缺了一环：上线验收回答的是”今天通不通”，而业务需要的是”一直通不通”。网络这件事的特点是会变：宽带质量会波动、设备会老化、新应用会抢带宽。装好不管，等于体检一次管十年。

这篇文章说清楚三件事：看什么指标、多久看一次、发现异常怎么办。都不复杂，难的是形成习惯。

四个指标，看全网络的温度

异地组网的健康度，压缩到四个指标就够用。少了看不见问题，多了没人看。

这四个指标组合起来读，比单看任何一个都有用：时延高但丢包为零，多半是绕路，业务体感是”慢”；丢包高，体感是”卡”和”断”；利用率顶格，是”大家都在挤”。不同的组合指向不同的病，处理方式完全不同。

两个习惯，比任何工具都重要

习惯一：留基线。上线验收那天，把四个指标的数值记下来存档，这就是基线。之后所有”正不正常”的判断，都是和基线比，不是和感觉比。”好像变慢了”没法排查，”从基线的数字变成现在的数字”十分钟就能定位方向。基线每季度更新一次，因为网络升级和环境变化后，旧基线会失真。

习惯二：定期看，而不是出事看。频率建议：指标曲线每周扫一眼（五分钟），完整核对每季度一次（半小时，顺带更新基线）。每周五分钟的意义是建立”体感”，曲线长什么样心里有数，真出异常一眼就能看出来；三个月才打开一次的人，看到曲线也不知道正不正常。

告警让机器守，人只处理被叫醒的事

人盯曲线总是不现实的，告警就是让机器替人守着。配告警有三条经验。

第一，告警阈值贴着基线设，别用默认值。设备出厂的默认阈值经常是运营商级别的宽松标准，小企业的链路劣化到业务已经受影响了，告警还没触发。第二，告警发到会处理的人手里，钉钉或企业微信的群机器人就行，关键是收告警的人知道下一步做什么。第三，配了动作优于只配通知：链路质量跌破阈值自动切换到备用链路，业务不断，人收到通知慢慢查。这种”自愈加告警”的组合，是把影响面从事故降级成事件的关键设计。

用羽信安做组网的客户，这层能力是现成的：管理台里四个指标的实时曲线和阈值告警都有，链路异常自动切换，sTrust 零信任模块管着谁能远程接入处理，值班的人在手机上就能看到和操作。功能清单见羽信安异地组网产品页。自己攒设备组的网，也可以照这四个指标配开源监控，多花些配置时间。

发现异常后的排查顺序

真收到告警，按这个顺序查，从最常见到最少见。

第一步，确认范围：是全部站点都异常，还是单个站点？全部异常先查中心侧（机房、出口、云控制面），单站点异常查那家店的宽带和设备。第二步，对时间：异常开始的时刻，和宽带缴费、新应用上线、装修施工这些事件对得上吗？多数异常能在时间线上找到原因。第三步，看趋势：是突然劣化还是缓慢爬升？突然的多半是外部变化，缓慢的多半是流量增长，对策分别是修链路和扩带宽。

这个顺序走完还没头绪，把基线对比的截图和时间线整理好再找供应商，排查效率翻倍。什么都不带直接说”网慢”，对方只能从零开始。带宽不够的判断怎么做，带宽测算那篇的算法同样适用于排查场景。

常见问题

问：这些指标在哪看？需要买监控设备吗？
答：多数组网网关自带这些指标的管理界面，先看看现有设备有没有，没有再考虑外加监控。判断标准就一条：能不能看到每条链路的曲线和历史，只有”当前值”没有历史的，排查时没用。

问：告警太多看不过来怎么办？
答：分级收敛。能自愈的（自动切换）只留通知，需要人处理的上报，纯信息的（比如每周汇总）合并成周报。告警的目的是叫醒人，不是刷存在感。

问：宽带运营商说他们的线路没问题，但指标就是差，怎么破？
答：拿数据说话。把丢包和时延的曲线截图、时间点整理出来发给他们，明确说”这个时间段这个指标超标”。有数据的情况，运营商会认真很多；空口说”网慢”，得到的永远是”建议重启”。

问：组网供应商应该提供哪些监控？
答：最低要求：链路质量的实时曲线、异常告警、掉线自动切换。没有曲线历史的方案，建议选型时直接扣分。上线后怎么盯，直接问供应商要监控清单，这也是多店管理里说的”管理台一张图”的具体内容。

小结：组网上线只是开始，长期健康靠四件事：盯时延、丢包、抖动、利用率四个指标；上线时留基线，所有异常和基线比；告警阈值贴基线设、能自愈的先自愈再通知；排查按范围、时间线、趋势三步走。每周五分钟看曲线，季度半小时核基线，比出事救火便宜两个数量级。