台湾 cn2 监控与告警体系建设提升链路稳定性的实操方法

本文提供一套可落地的运维方法，覆盖探针布局、指标选取、阈值与抖动策略、告警分级与自动化恢复，帮助团队在面对 台湾 CN2 专线时提升整体可观测性与链路稳定性，并缩短故障定位与恢复时间。

首先明确监控目标：业务链路、BGP 会话、物理接口、MPLS/LSP 状态与上游出口。对每一路由口同时采集延迟、丢包、抖动、带宽利用率与错误帧，结合路由变动与告警日志，建立全栈视图，避免只看单一指标导致盲区。

建议在本地边缘、防火墙后、核心汇聚与对端 PoP 各部署主动探针与被动采集：在本地放置合成探测（ICMP/TCP/HTTP）与被动 NetFlow/tcpdump，在对端与中间点部署轻量探针以实现端到端视角，能快速定位是本地、上游还是对端问题。

对关键业务链路每端至少 2 个合成探针，关键节点增至 3~5 个冗余探针；采样频率对延迟/丢包建议 10~30 秒一测，对流量采样（sFlow/NetFlow）可用 1:1000 或 1:2000 以平衡开销与精度。高频问题可临时提升采样。

主动监控（合成事务）能稳定复现延迟与连通性问题，被动监控捕获真实流量与异常流向。两者结合可在合成探测告警时用被动数据回溯包痕迹，确认是否受流量突增、黑洞或路由波动影响，从而避免误报。

采用多层阈值：临界（短暂抖动）与严重（持续影响）。如延迟阈值设为 100ms（临界）与 200ms（严重），丢包 1% 与 5%。使用窗口化检测（例如 3/5 次触发）与抑制策略（恢复必须稳定 N 次），并按业务重要性分级告警与通知渠道。

推荐使用 Prometheus + Alertmanager/Grafana 作为指标与告警前端，配合 Zabbix 或商业 NMS 做设备层面的 SNMP 检测。通过 Alertmanager 的路由与抑制规则实现告警分级；对常见故障接入自动化脚本（Ansible、Salt、自定义 webhook）执行恢复或收集诊断包。

构建标准化的 runbook：告警触发 -> 自动抓包/合成测试 -> 自动化上下文（BGP 路由表、MPLS 标签）抓取 -> 指定抄送链路给上游 ISP。使用 BFD 快速检测链路死活，使用 IP SLA 或合成事务验证切换后业务可达性，减少人工沟通时间。

来源：台湾 cn2 监控与告警体系建设提升链路稳定性的实操方法