云时代如何简化数据中心网络运维？

文/余立

华为企业网络产品线数据中心网络领域总经理

SDN，在经历了犹豫彷徨、百家争鸣之后，目前已成为企业CTO的坚定选择。

SDN时代的网络展现出两面性：一方面让客户使用更加简单，另一方面却让运维更加复杂。而当前，整个行业的目光多聚焦在前者而忽略了后者。

随着SDN的部署如火如荼，一丝忧患也隐隐浮现。2015年12月，管理行业研究机构EMA（Enterprise Management Associates）针对100多家企业的调查结果显示：70%左右的客户对于现有管理运维体系是否适用于SDN场景表示担忧。Gartner于2015年7月发布的通信网络技术成熟度曲线（The Hype Cycle）也显示，SDN相关的运维技术处于泡沫化的底谷期（Trough of Disillusionment），将在2～5年内进行大规模商用部署。

华为早在全面拥抱SDN初期，就把SDN运维作为关键课题进行研究和实践，下面分别从WHY、WHAT、HOW这3个纬度展示华为对SDN运维的思考。

WHY：SDN运维的新变化

相对于传统网络，SDN时代的网络有如下的特征：

• 动态网络：动态是指根据应用需求按需创建和删除逻辑网络。比如某企业用户反馈，在运维中需要投入50%的工作在防火墙的规则上，主要原因是随着应用的变迁，防火墙规则没有随之变迁，造成网络沉淀和碎片。
• 实时响应：传统网络的设计主要是面向人的界面，基于分钟级别慢速的原则，比如使用了几十年的SNMP机制。这种慢速机制，在SDN的快节奏中成为“吐槽”点。某企业客户抱怨其轻载的网络存在瞬态的突发丢包，怀疑存在毫秒级别的微突发流量，但是在分钟级别的SNMP机制下无法观察到，更无法优化。
• 大规模：大规模有两个含义，其一是管理的设备数量。从物理网元到逻辑网元vSwitch/vRouter，其数量增加了50倍；其二是处理的故障数量。据LinkedIn披露，从2010年到2015年，需要处理的故障增加了18倍，但管理人员仅增加了几个。

要应对上述SDN网络的3大问题，传统的“人工运维”方式贤德捉襟见肘、难以为继。

WHAT：SDN运维内涵

为了满足SDN下“动态性、实时性、大规模”的挑战，华为提出需要对整个运维架构进行变革，才能让SDN“管用、好用”。新的SDN运维架构需要围绕下面几个方面打造：

可视化：看得见，看得清

俗话说“You Can’t Manage What You Can’t See”。“看得见”有两个方面的含义：

• 观察对象可视：可监控物理和逻辑对象，包括网元级别的节点和接口等，也包括网络级别的链路、逻辑路径和应用质量等。
• 观察的实时性：支持毫秒级别现象的感知（比如流量微突发）、低频率（<10-4）的丢包，以及大象流和老鼠流的识别等。
• “看得清”意味着针对观察的准确性，需要采集和分析海量的数据。包括：
• 精确计费：采集的比例需要从8K:1到2K:1，甚至1:1全量采集。
• 疑难问题定位：基于采集的“大数据”和实时分析，及时发现偶发性丢包和流量黑洞等。

自动化：自修复，自优化

传统的网络运维架构是一个单向的系统，而不是一个负反馈系统。网络运维包括两个方向：管理员在下行方向配置网络，然后通过上行方向获得网络的状态，也就是说，网络的部署和状态是割裂的，通过管理员进行有限的沟通。这种机制显然无法满足网络故障自修复和网络自优化的需求。自动化的运维需要构建“闭环”运维架构，具体包括：

• 延迟修复：发现故障后，首先隔离故障，不影响现有业务。
• 诊断修复：结合采集的“大数据”和经验数据库，进行自动修复或给出明确的修复方案。
• 网络优化：及时发现网络存在的“病态”，如流量不均衡和流量拥塞风险等，通过闭环系统，由网络部署系统自动进行调整，把故障消灭在萌芽状态。

HOW：SDN运维方案

基于SDN下的运维新变化，华为分解了运维的生命周期，构建了“闭环”的运维负反馈系统，称为Fabric Insight架构，包括如下4个模块：

Monitor：监视

为了解决实时，海量的数据监视，需要在如下两个方面改进方案：

• 改造采集通道，满足海量数据上报：对于中规模的数据上报，采用gRPC等高效的采集通道替代SNMP等；对于大规模的数据上报，直接采用数据面基于UDP的采集通道，消除管理面CPU的带宽限制。
• 改造采集点，满足高频采集：在数据中心交换机上设计专门的高频采集部件，满足毫秒级的事件采集。

Detector：探测

未来及时发现端到端业务路径的质量，需要通过实时发送探测报的方式，对网络进行“扫描”。区别于传统机制的“随机扫描”，华为结合网络的拓扑和路由，支持更精确的“定向扫描”，可以做到真正的全网全覆盖。基于这种能力，管理员就不再是“救火员”，而是运筹帷幄的“诸葛亮”。

Metrics：度量

在某些情况下，网络质量显示正常，但是应用体验下降。探测机制无法解决这种问题，就需要基于真实的业务流进行度量，发现该业务流是否存在丢包和时延问题，如果丢包，丢包位置在哪？如果时延大，是什么因素造成的？

Diagnosis：诊断

诊断就像老中医看病，通过Monitor、Detector和Metrics进行“望闻问切”后，再结合经验库的案例，定位出问题的根因。诊断部件由一系列的工具组成，每个工具针对特定的问题。比如环路诊断工具、丢包诊断工具等。

华为秉承开放的理念，开放基本的运维API，客户可自助地开放和定制自己的诊断工具集。

（更多华为资讯请关注华为开发者社区，华为自己的对外开放门户:http://developer.huawei.com/ict/cn/ ,不要问我叫啥，别人都叫我雷锋）