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(luò)。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(wù)提供商和云計算服務(wù)提供商的重要基礎(chǔ)設(shè)施，肩負(fù)著滿足全球范圍內(nèi)網(wǎng)絡(luò)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(guān)的話題，常常會引起業(yè)界的關(guān)注和討論。作為云計算的基礎(chǔ)，國內(nèi)的云計算服務(wù)提供商是如何運(yùn)維自己的骨干網(wǎng)的？又是如何實現(xiàn)自動化運(yùn)維的？有哪些值得分享、思考的經(jīng)驗和做法？作為一名從業(yè)10年的網(wǎng)絡(luò)架構(gòu)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(shè)進(jìn)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(luò)，按照計劃，今年金山云會在廣州部署節(jié)點，將進(jìn)一步擴(kuò)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(wù)的網(wǎng)絡(luò)質(zhì)量SLA。
當(dāng)然，這并不是說建設(shè)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(wù)商來說，運(yùn)營商的骨干網(wǎng)絡(luò)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(luò)的訪問質(zhì)量。
例如，2016年11月19日晚8點，包括華南、西南、華中等在內(nèi)的國內(nèi)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(wù)節(jié)點時，均出現(xiàn)了問題。測試結(jié)果顯示，ICMP丟包率高達(dá)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(dǎo)致用戶的業(yè)務(wù)嚴(yán)重受損。
那么，對于這種骨干網(wǎng)級別的故障，云服務(wù)商能否做到快速發(fā)現(xiàn)定位呢？當(dāng)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(wù)于金山云整個骨干網(wǎng)的網(wǎng)絡(luò)質(zhì)量監(jiān)控系統(tǒng)（Netbench）。
金山云網(wǎng)絡(luò)質(zhì)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(yùn)營商發(fā)生骨干網(wǎng)故障時，快速發(fā)現(xiàn)并準(zhǔn)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(luò)質(zhì)量（延遲、丟包等數(shù)據(jù)），如果某地出現(xiàn)問題，地圖上相應(yīng)位置的顏色就會變得不同。
金山云網(wǎng)絡(luò)質(zhì)量監(jiān)控系統(tǒng)架構(gòu)圖
金山云這套網(wǎng)絡(luò)質(zhì)量監(jiān)控系統(tǒng)的主要特點，分為定位策略、主要功能、應(yīng)用場景三部分：
一、定位策略
抓取訪問客戶服務(wù)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(zhǔn)確性避免路由ecmp不均勻的問題）；
通過對抓取到的IP進(jìn)行篩選，排除掉一些不準(zhǔn)確的IP，最終篩選出每省份數(shù)百個有效IP進(jìn)行監(jiān)控；
商用的IP地址庫與BGP IP結(jié)合對抓取到的IP進(jìn)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(jìn)行指定監(jiān)控。
三、應(yīng)用場景
可覆蓋CDN、靜態(tài)、BGP等多網(wǎng)絡(luò)類型；
目前可針對EIP（計算）、KS3（存儲）、KLS（視頻）等業(yè)務(wù)類型進(jìn)行監(jiān)控。
骨干網(wǎng)調(diào)度架構(gòu)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(wù)提供商，韓國主機(jī) 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(wǎng)訪問的質(zhì)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(dǎo)致客戶長連接業(yè)務(wù)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(luò)擁有支持跨區(qū)域調(diào)度能力，當(dāng)出現(xiàn)故障時，能夠通過骨干網(wǎng)跨地區(qū)調(diào)度故障運(yùn)營商流量，這種調(diào)度只是在同ISP不同地區(qū)之間的調(diào)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(wù)質(zhì)量就得到了保障，同ISP內(nèi)的路由切換收斂時間，可保證用戶無感知，在近幾次運(yùn)營商南北骨干網(wǎng)故障中，金山云均做到了故障的快速調(diào)度恢復(fù)，客戶也不必再因為運(yùn)營商骨干網(wǎng)的故障而頭疼了。
骨干網(wǎng)絡(luò)調(diào)度前后對比圖
