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)辦事提供商和云計算辦事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，國內的云計算辦事提供商是如何運維本身的骨干網(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(jīng)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，希望對大家有所幫手。
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，根據(jù)計劃，本年金山云會在廣州安排節(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辦事的網(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)公司和云計算辦事商來說，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)絡的拜候質量。
例如， 2016 年 11 月 19 日晚 8 點，包孕華南、西南、華中等在內的國內多個地區(qū)，超過 10 個省份的用戶，在拜候華北地區(qū)的辦事節(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，這種級另外丟包率和延遲情況，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)級另外故障，云辦事商能否做到快速發(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)出辦事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不雅觀形式，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差別。
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
抓取拜候客戶辦事的用戶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)的準確性制止路由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的安排模式，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)，可幫手判斷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)級另外故障，除了需要快速發(fā)現(xiàn)，更需要快速解決。
有些互聯(lián)網(wǎng)和云計算辦事提供商，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)拜候的質量很差，丟包和延遲都無法保證，并且在跨網(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。
金山云制止了這些問題。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差別地區(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，整體辦事質量就得到了保障，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
