骨干網(wǎng)（Internet Backbone Network）是連接國與國、城市與城市之間的高速互聯(lián)網(wǎng)絡。如下圖所示，它通過海纜和路纜，將分布在世界各地的數(shù)據(jù)中心連接起來，是互聯(lián)網(wǎng)服務提供商和云計算服務提供商的重要基礎設施，肩負著滿足全球范圍內網(wǎng)絡數(shù)據(jù)通信需求的重任。

全球骨干網(wǎng)示意圖

骨干網(wǎng)的角色如此重要，以至于與此有關的話題，常常會引起業(yè)界的關注和討論。作為云計算的基礎，國內的云計算服務提供商是如何運維自己的骨干網(wǎng)的？又是如何實現(xiàn)自動化運維的？有哪些值得分享、思考的經驗和做法？作為一名從業(yè)10年的網(wǎng)絡架構師，我向大家介紹一下金山云骨干網(wǎng)的現(xiàn)況，希望對大家有所幫助。

如何快速發(fā)現(xiàn)骨干網(wǎng)級別故障？

首先簡要介紹一下建設進展。金山云目前在北京和上海兩地之間租用專線搭建起了骨干網(wǎng)絡，按照計劃，今年金山云會在廣州部署節(jié)點，將進一步擴大環(huán)網(wǎng)規(guī)模，搭建北上廣骨干環(huán)網(wǎng)，大幅提升金山云公有云服務的網(wǎng)絡質量SLA。

當然，這并不是說建設骨干環(huán)網(wǎng)后就不會出故障了，對于互聯(lián)網(wǎng)公司和云計算服務商來說，運營商的骨干網(wǎng)絡故障是很讓人頭痛的，因為在通常情況下，這種故障會影響到多個省份用戶網(wǎng)絡的訪問質量。

例如，2016年11月19日晚8點，包括華南、西南、華中等在內的國內多個地區(qū)，超過10個省份的用戶，在訪問華北地區(qū)的服務節(jié)點時，均出現(xiàn)了問題。測試結果顯示，ICMP丟包率高達30%，延遲增大了約100ms，這種級別的丟包率和延遲情況，如果不及時處理，將導致用戶的業(yè)務嚴重受損。

那么，對于這種骨干網(wǎng)級別的故障，云服務商能否做到快速發(fā)現(xiàn)定位呢？當然是可以的。

金山云的做法是，通過自研開源監(jiān)控的方式，研發(fā)出服務于金山云整個骨干網(wǎng)的網(wǎng)絡質量監(jiān)控系統(tǒng)（Netbench）。

金山云網(wǎng)絡質量監(jiān)控系統(tǒng)監(jiān)控圖

如上圖所示，金山云的這套系統(tǒng)支持多地區(qū)、多ISP監(jiān)控，可在運營商發(fā)生骨干網(wǎng)故障時，快速發(fā)現(xiàn)并準確定位故障，同時采用電子地圖這種直觀形式，顯示出各省份各地級市的網(wǎng)絡質量（延遲、丟包等數(shù)據(jù)），如果某地出現(xiàn)問題，地圖上相應位置的顏色就會變得不同。

金山云網(wǎng)絡質量監(jiān)控系統(tǒng)架構圖

金山云這套網(wǎng)絡質量監(jiān)控系統(tǒng)的主要特點，分為定位策略、主要功能、應用場景三部分：

一、定位策略

抓取訪問客戶服務的用戶IP作為監(jiān)控目的IP；

多對多的監(jiān)控模式，多個源IP監(jiān)控全國各個省市的用戶IP（保證數(shù)據(jù)的準確性避免路由ecmp不均勻的問題）；

通過對抓取到的IP進行篩選，排除掉一些不準確的IP，最終篩選出每省份數(shù)百個有效IP進行監(jiān)控；

商用的IP地址庫與BGP IP結合對抓取到的IP進行區(qū)分（ISP、省、市等）；

Master-Slave的部署模式，監(jiān)控周期可精確到分鐘級（每1分鐘）。

二、主要功能

提供短信、微信、郵件告警；

提供故障時的MTR數(shù)據(jù)（平均每省份多個MTR），可幫助判斷l(xiāng)oss節(jié)點；

提供柱狀圖、歷史數(shù)據(jù)展示等功能，可追溯故障，查看故障時的丟包以及延遲情況；

可針對重要的IP進行指定監(jiān)控。

三、應用場景

可覆蓋CDN、靜態(tài)、BGP等多網(wǎng)絡類型；

目前可針對EIP（計算）、KS3（存儲）、KLS（視頻）等業(yè)務類型進行監(jiān)控。

骨干網(wǎng)調度架構圖

如何快速解決骨干網(wǎng)級別故障？

對于骨干網(wǎng)級別的故障，除了需要快速發(fā)現(xiàn)，更需要快速解決。

有些互聯(lián)網(wǎng)和云計算服務提供商，會通過多線BGP切換故障ISP流量至其他的ISP的方式繞開故障點，由于我國南北互通問題，跨網(wǎng)訪問的質量很差，丟包和延遲都無法保證，而且在跨網(wǎng)切換時，會有較長時間的路由收斂，導致客戶長連接業(yè)務中斷。

金山云避免了這些問題。因為金山云的自建骨干網(wǎng)絡擁有支持跨區(qū)域調度能力，當出現(xiàn)故障時，能夠通過骨干網(wǎng)跨地區(qū)調度故障運營商流量，這種調度只是在同ISP不同地區(qū)之間的調度，只增加地區(qū)間的延遲，對整體丟包并無影響，這樣一來，整體服務質量就得到了保障，同ISP內的路由切換收斂時間，可保證用戶無感知，在近幾次運營商南北骨干網(wǎng)故障中，金山云均做到了故障的快速調度恢復，客戶也不必再因為運營商骨干網(wǎng)的故障而頭疼了。

骨干網(wǎng)絡調度前后對比圖

這里解釋一下原因。金山云可以做到以省市為單位的出口切換級別，比如目標浙江省出現(xiàn)了故障，會優(yōu)先嘗試調度浙江省出向流量至正常地區(qū)節(jié)點，在丟包恢復后將不會有下一步切換動作，不會導致全國切換而加大其它省份的延遲，只有在多省份同時異常而且調度出向無效后才會切全局入向流量。當前已經定義了一整套切換規(guī)則來判定什么情況下切換，什么情況下不切換。

骨干網(wǎng)運維自動化

每當出現(xiàn)骨干網(wǎng)級別的故障時，工程師很容易出現(xiàn)誤操作刷錯腳本等低級錯誤，導致業(yè)務受影響，故障處理速度上也得不到最有效的保障。

目前金山云上線的骨干網(wǎng)自動化運維平臺，可實現(xiàn)對這種骨干網(wǎng)級別的故障的自動化判斷和處理等一系列自動化流程，減輕了工程師的壓力，它有著如下特點：

首先，Netbench提供判斷依據(jù)，給出當前網(wǎng)絡的質量情況，作為自動化腳本的觸發(fā)條件開始進入自動化流程；

第二，通過Python腳本定義多個故障場景，當出現(xiàn)不同類型的骨干網(wǎng)時可根據(jù)腳本庫調出對應的腳本；

第三，通過Netconf下發(fā)所需要調用的腳本策略配置到對應的核心網(wǎng)絡設備上；

第四，直接對接郵件系統(tǒng)，從Netbench調用MTR發(fā)送給ISP進行自動報障；

第五，對接微信、短信告警平臺，在故障時讓客戶能第一時間知道當前故障狀態(tài)以及故障的處理進度。

自動化調度架構圖

在兩三個Region級別的骨干網(wǎng)通過“人”計算還是可以實現(xiàn)最優(yōu)調度的，但是隨著Region的增加，“人”計算的方式效率會越來越低，準確度也會越來越差，那么如何解決多Region骨干網(wǎng)調度呢？我總結出了幾種方法：

1、通過Netbench的MTR功能定時定點采集每Region到每ISP的數(shù)據(jù)，平均每省份保證10-20個IP即可（排除路由Ecmp hash不均的問題）；

2、對采集到的數(shù)據(jù)進行分層分級，區(qū)分到運營商層面的超核、核心、省市等，并在這些層級的IP上保留MTR當中的延遲值（運營商的設備都會對ICMP有保護所以不采用丟包值）；

3、通過腳本分析構建ISP的邏輯IP網(wǎng)絡拓撲圖；

4、在運營商骨干網(wǎng)故障時能夠清晰的描述到是哪個層級哪個核心節(jié)點出現(xiàn)的問題，能夠在拓撲上清晰地看到問題所在；

5、在故障時可通過構建的邏輯IP拓撲計算出調度的最優(yōu)RTT路徑；

6、結合自動化調度實現(xiàn)最優(yōu)調度。

隨著客戶對網(wǎng)絡問題的重視程度的增加，骨干網(wǎng)以及多Region骨干網(wǎng)結構已經是現(xiàn)在的互聯(lián)網(wǎng)服務提供商和云計算服務提供商不可或缺的重要環(huán)節(jié)。越來越多的重網(wǎng)絡業(yè)務的出現(xiàn)，比如實施對戰(zhàn)類的手機游戲、視頻直播等對網(wǎng)絡質量要求非常高的業(yè)務，不能一而再再而三地把我們所謂的SLA推到運營商的層面，站在客戶業(yè)務的角度去考慮這是極其不負責任的態(tài)度，我們要在有限的網(wǎng)絡環(huán)境中盡可能把客戶的問題合理解決，這樣客戶才能把重要的業(yè)務托付到你那里。

由于運營、成本問題、運維、網(wǎng)絡現(xiàn)狀受限等復雜的因素，金山云目前并沒有使用商用SDN的技術來實現(xiàn)骨干網(wǎng)自動化，，而是通過實踐，使用了BGP、Python、GO等網(wǎng)絡協(xié)議以及腳本工具配合Netconf來實現(xiàn)對于金山云骨干網(wǎng)的自動化。我希望通過介紹金山云在骨干網(wǎng)運維方面的思路，能給大家?guī)硪恍﹩l(fā)和幫助。