骨干網（Internet Backbone Network）是連接國與國、城市與城市之間的高速互聯網絡。如下圖所示，它通過海纜和路纜，將分布在世界各地的數據中心連接起來，是互聯網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絡數據通信需求的重任。

全球骨干網示意圖

骨干網的角色如此重要，以至于與此有關的話題，常常會引起業界的關注和討論。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的？又是如何實現自動化運維的？有哪些值得分享、思考的經驗和做法？作為一名從業10年的網絡架構師，我向大家介紹一下金山云骨干網的現況，希望對大家有所幫助。

如何快速發現骨干網級別故障？

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絡，按照計劃，今年金山云會在廣州部署節點，將進一步擴大環網規模，搭建北上廣骨干環網，大幅提升金山云公有云服務的網絡質量SLA。

當然，這并不是說建設骨干環網后就不會出故障了，對于互聯網公司和云計算服務商來說，運營商的骨干網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，超過10個省份的用戶，在訪問華北地區的服務節點時，均出現了問題。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，將導致用戶的業務嚴重受損。

那么，對于這種骨干網級別的故障，云服務商能否做到快速發現定位呢？當然是可以的。

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

金山云網絡質量監控系統監控圖

如上圖所示，金山云的這套系統支持多地區、多ISP監控，可在運營商發生骨干網故障時，快速發現并準確定位故障，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絡質量（延遲、丟包等數據），如果某地出現問題，地圖上相應位置的顏色就會變得不同。

金山云網絡質量監控系統架構圖

金山云這套網絡質量監控系統的主要特點，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作為監控目的IP；

多對多的監控模式，多個源IP監控全國各個省市的用戶IP（保證數據的準確性避免路由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百個有效IP進行監控；

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

Master-Slave的部署模式，監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數據（平均每省份多個MTR），可幫助判斷loss節點；

提供柱狀圖、歷史數據展示等功能，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進行指定監控。

三、應用場景

可覆蓋CDN、靜態、BGP等多網絡類型；

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

骨干網調度架構圖

如何快速解決骨干網級別故障？

對于骨干網級別的故障，除了需要快速發現，更需要快速解決。

有些互聯網和云計算服務提供商，韓國主機 韓國游戲代理，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，跨網訪問的質量很差，丟包和延遲都無法保證，而且在跨網切換時，會有較長時間的路由收斂，導致客戶長連接業務中斷。

金山云避免了這些問題。因為金山云的自建骨干網絡擁有支持跨區域調度能力，當出現故障時，能夠通過骨干網跨地區調度故障運營商流量，這種調度只是在同ISP不同地區之間的調度，只增加地區間的延遲，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的故障而頭疼了。

骨干網絡調度前后對比圖