當數據中心的網絡規(guī)模變得很大時，不得不要增加網絡設備，實現多層級聯。現在的數據中心往往都是樹形結構，核心放置幾臺轉發(fā)容量超大的設備，然后下掛多層設備(因為端口數量不夠，可能需要多層)，數十臺甚至幾百臺的網絡設備級聯到一起，一旦出了故障，如何能快速找到故障設備，經常困擾著很多網絡運維人員。

數據中心的網絡設備都是有冗余的，只要網絡故障時找到故障設備，將其隔離即可恢復業(yè)務，然后再去慢慢排查故障原因，但從數百臺的設備中找到具體哪臺故障絕非易事。網絡故障往往先從應用側得到故障反饋，然后開始排障，這時應用人員往往描述的只是一個應用訪問故障現象，他不會告訴你具體哪些地址到哪些地址不通，有時甚至是錯誤的信息，這極大延誤了問題定位時長。問題定位大部分時間都是花在故障現象的整理過程中，怎么辦?數據中心網絡該如何快速排障?本文將給出答案。

[[238068]]

網絡故障如果要從應用側反饋的故障現象去分析，這時已經晚了，而且容易被應用人員帶入誤區(qū)，有些應用人員反饋的現象只是他自己看到的，現象很可能只是一個局部現象，并不能反映出整個網絡的故障情況。所以要靠自己，做好網絡監(jiān)控，通過監(jiān)控去發(fā)現問題，從而迅速找到故障設備，做設備隔離或者解除故障。

早期的網絡監(jiān)控主要是對設備的一些日志和端口流量做監(jiān)控，更多的時候這些信息并不夠，并不能及時發(fā)現問題。很多網絡設備廠商說自己的設備日志非常完整，但實際使用時仍有一些極端情況或者軟件BUG導致故障時無日志輸出，這時就要針對流量進行定位。到了這個時候，就需要網絡人員去找應用人員了解故障現象，通過現場找出一些丟包或者不通的IP地址來，然后進行網絡流通，對這個故障流量經過的設備都做流通，找到故障設備。既然是樹形網絡，每一層都有很多設備，這個流通量是相當大的，而且并不是所有的設備都能支持對所有特征的流量做統(tǒng)計，有不支持的設備就會使得統(tǒng)計不準，加大了尋找故障設備的難度，做網絡運維的這些年都是這樣堅持過來的。

顯然，之前的網絡排障方式有效但效率太低，定位故障時間長，對業(yè)務影響大。現在的網絡監(jiān)控都是針對數據流的，對網絡中的具體數據流進行監(jiān)控，這樣一旦數據流量有中斷，立即可以查明故障位置。在這里，要提到幾種新興的網絡監(jiān)控方法，也叫網絡可視化技術，是快速排障的最有效方法。

• 首先是INT(In-band Network Telemetry，帶內網絡遙測技術)技術，INT通過在數據層面收集和報告網絡的狀態(tài)來實現對網絡狀態(tài)的監(jiān)控。當數據報文進入***個網絡設備時，設備上設置采樣方式采樣并鏡像出該業(yè)務流報文，INT在報文基礎上封裝一個INT頭，并將需要收集的交換機信息填入到INT數據段中，報文經過的所有網絡設備均這樣處理，直到***一個服務器連接的網絡設備將INT頭剝離。報文經過的每臺設備都將采集到的INT報文通過gRPC報文發(fā)送到遠端的監(jiān)控服務器進行解析和呈現，INT報文中攜帶了報文轉發(fā)的延遲、設備擁塞等情況，都能呈現到監(jiān)控服務器上，一旦數據報文出現丟包或者不通情況，監(jiān)控服務器立即感知到，并幾秒就能確定問題范圍和故障設備。

• 其次是ERSPAN(Encapsulated Remote Switch Port Analyzer，跨三層IP傳輸的遠程網絡流量監(jiān)控技術)，ERSPAN的報文基于GRE封裝，并通過以太網轉發(fā)到任何IP路由可達的地方。ERSPAN是將源端口報文復制一份通過GRE(Generic Routing Encapsulation)發(fā)送到目的服務器進行解析，采集服務器的物理位置不受限制，這樣我們可以將整個網絡的關鍵流量轉發(fā)都通過ERSPAN發(fā)送到監(jiān)控服務器上，流量在哪部分網絡出現了丟棄，一目了然。

• 第三是sFlow和Netstream，這兩種都是數據采樣技術，Netstream采集的比較完整，但需要有專用的硬件來完成，在網絡中部署sFlow和Netstream后，可以通過gRPC將監(jiān)控數據發(fā)給服務器，由監(jiān)控服務器計算和整理，并將結果圖形化顯示出現，一旦哪部分網絡有問題，立即可以在監(jiān)控服務器上顯現。sFlow和Netstream采集的都是報文頭的主要特征，而不是報文整個內容，這個和INT、ERSPAN有較大區(qū)別，應對絕大部分網絡故障排查都沒有問題，除非應用報文特征比較特殊，Netstream捕捉不到，這時只能求助INT和ERSPAN。在一個網絡中，并不介意三種監(jiān)控方案都部署，這樣在故障時，可以從多個角度采集的數據去分析問題。還有一點很重要，盡量要將這些數據采集通過管理網發(fā)向監(jiān)控服務器，否則一旦數據網出問題，可能監(jiān)控的數據也無法正常達到監(jiān)控服務器。大部分情況下，數據網絡故障很少波及到管理網，所有設備依然可以正常訪問，如果故障時，很多設備都無法通過管理網進行訪問，基本可以判定這臺設備就是故障點。

有了以上這些網絡監(jiān)控方法，出現故障時***時間發(fā)現就不難了，而且完全可以實現自動化，當發(fā)現故障時，由監(jiān)控服務器自動下發(fā)隔離命令，將故障設備隔離，自動恢復。這樣在應用報障過來之前，就可以找到網絡故障位置，及時隔離故障設備，恢復業(yè)務，這樣可以極大縮短故障分析時間，對業(yè)務影響很小，甚至業(yè)務部分根本感知不到故障。像INT和ERSPAN這些網絡監(jiān)控的技術實際應用的效果還未知，都是最近總被提及的技術，還有待實踐的考驗。SFLOW和Netstream技術比較成熟，但真正在網絡排障時用到的還不多，需要加大這方面的推廣。依靠這些監(jiān)控技術，可以快速排除網絡故障，這對于數據中心運維來說，意義重大，極大地提升了運維效率。