Summary

  • Petya Vasileva在10月26日RIPE 93议程中介绍一套科研网络分诊方法：把路径变化与时延、丢包、吞吐量一同核对。原始研究已于7月ANRW公开，数据网覆盖170多个站点。
  • 团队展示的新加坡硬件故障案例中，一条路径的时延从229.9毫秒降至82.4毫秒，丢包从零升到2.55%，吞吐从786.4 Mbps掉到0.2 Mbps。只看时延，会把重症送进“情况改善”队列。

网络给值班员递来一张好成绩单，背面却是坏账。研究团队的原始ANRW幻灯片展示了SWT2_CPB → TAIWAN-LCG2路径在新加坡硬件问题前后的两组观测。时延更低，路径转向商业转接；丢包达到2.55%，吞吐几乎归零。数据包仿佛坐上了更快的车，却没把货送到。

RIPE 93把Petya Vasileva的报告排在10月26日。这套方法已在7月的ANRW正式议程出现，此番面对的是运维人员。它使用WLCG/OSG的perfSONAR量测网，覆盖42个国家170多个站点，每天约400万次测试。数量惊人，节奏却不齐：幻灯片示例中的时延测试每分钟一次，吞吐测试每十分钟一次，路径追踪相隔六至二十四小时。故障可能先于下一张路径图到达值班室。

研究团队给每一组起点和终点建立自己的近期基线，利用图嵌入和路径结构辨认异常，再把路径变化同前后三十分钟的丢包、时延、吞吐证据对齐。幻灯片列出的性能阈值包括单向时延达到基线两倍、丢包达到0.5%，或吞吐降至基线的65%及以下。这里有明示的尺子，值班员才能追问为什么一条路径被标红，而另一条没有。

输出分四格：路变了且性能变差，是高影响事件；路变了但性能测试断档，是量测中断；路变了而性能未见受损，只记改道；其余留待复核。第二格尤其重要。温度计坏了，既不能宣布病人康复，也不能凭空宣布高烧。事故分诊首先要承认自己少了哪位证人。

团队还在幻灯片中展示英荷之间海底电缆故障的实时捕捉，称其分类结果比网络运维中心的工单早了数小时，并由后来的工单证实。工单是正式接手的时刻，量测可能更早发声。治理问题由此落在交接上：哪些指标足以打断值班员，谁负责核对断档，误报与漏报留下什么记录？新加坡那条路径的吞吐数字，比漂亮的时延曲线更该抢到首位。

原始来源