6.3 运维与可见性：全局可视

6.3 运维与可见性：全局可视

设备批量上线后，运维的主战场转向"看住它"。本节是第 6 章的收口，也是全册对照主线在运营层面的对撞：单点排障对全局可视。承上：可见性平台消费的正是 3.2 节探测机制产出的体检单与 4.3 节策略命中的统计；启下：第 8 章的 AIOps 自愈，是把本节"人看数据"升级为"机器看数据"的下一站。读完本节，你应当能给可见性平台列验收清单，并复述一次故障的标准化定位流程。

排障半径的差异

传统 WAN 排障的半径是"一台设备加一个用户"：用户说慢，工程师登录分支路由器看接口、抓包、打电话问运营商，结论往往以"运营商链路问题，已报障"收尾，全程数小时甚至数天。SD-WAN 的排障半径是"一张网加一条时间线"：用户说慢，平台先回答三个问题——哪个应用、哪个站点方向、哪条链路，故障那一刻的体检单与选路动作全程留痕，多数案例在分钟级完成定界。半径差异的本质不是工具更花哨，而是数据从产生那一刻就被结构化留存：链路指标带时间戳、选路决策带依据、策略命中带计数——排障变成查档案，而不是猜谜。

遥测的三层清单

平台的原料是三层遥测，验收时逐层核对：

三层之外还要核两个"有没有"：变更记录有没有——每次配置与策略变更的时间、执行人、影响站点，故障时间线必须能叠加变更线（大量"故障"实为变更引发）；原始数据能不能导出——平台内看图只是及格，能按时间范围导出原始指标做离线分析才算好用。

图：单点排障对全局可视：同一次故障的两种经历

应用体验视图：把指标翻译成业务语言

可见性平台有一个最值得投入配置的功能：应用体验视图。它把技术指标翻译成业务方能理解的评语——不是"丢包率 0.8%"，而是"视频会议体验：良好，偶有卡顿风险；跨区文件共享：偏慢，建议错峰"。配置这个视图的过程本身就是一次口径对齐：每个应用组要定义"体验差"的判定线（用哪个指标、什么阈值），而这个判定线必须与业务方共识——口头共识不算，要在平台里落成配置并让业务方确认。视图上线后有两个意外的收益：业务方的报障从"网络是不是又断了"变成"体验视图显示某某应用降级"，定位沟通的成本大幅下降；管理层看月报也有了业务视角的指标，网络团队的绩效不再只用"没出事"来衡量。工具塑造沟通，沟通反过来定义工具该长什么样。

告警治理：比数据更难的是噪音

可见性平台的头号失败原因不是缺数据，是告警噪音：链路抖动、探测毛刺、模板误配都会产生告警，一周下来运维对告警脱敏，真事件被淹没。治理三招：分级——按影响面（全网/区域/单站）与类型（断链/劣化/安全）分优先级，重大告警接入电话或即时消息，其余进工单；聚合——同一根因的派生告警折叠成一条（上游光路劣化引发的下游站点告警归并）；基线化——告警阈值跟随各站点的历史基线而非全局统一值（3.2 节"阈值用基线校准"的原则在告警侧同样成立）。平台上线后的第一月，建议固定做一次"告警复盘"：统计告警量、误报率、平均确认时长，据此调阈值与分级。

每月十分钟的例行巡检

可见性平台除了"出事时用"，还应固定一个"没事时看"的例行动作。每月十分钟的巡检清单：看趋势——全网链路质量指标的三个月趋势线，找慢性劣化（丢包基线缓爬、时延均值缓升的链路，趁没到阈值先处理）；看异常清单——本月自动切换与降级事件的汇总，单站点超过三次就值得专项检查；看容量——各链路峰值利用率是否逼近限顶值，提前扩容；看配置健康——模板版本是否一致、有没有站点漂移出标准配置；看告警治理——本月告警量与误报率是否在治理目标内。十分钟的固定巡检与 8.1 节的自动化先行清单天然衔接：巡检发现的问题里，规律性的部分逐步交给规则自动化，人的注意力留给真正的例外。可见性平台的成熟用法就是这套"例行加例外"的双层结构。

从可视到自愈：留一个接口

本节的终点是"人看数据、人做决策"，第 8 章的 AIOps 会把决策也自动化。衔接点在数据结构：如果平台的遥测、事件、动作记录是结构化且带因果标注的（哪个事件触发了哪个切换、结果如何），自愈系统就能直接在这份数据上训练；如果档案是散落的截图与工单，自愈就无从谈起。所以验收平台时多问一句：你们的事件记录带不带动作与结果字段——这一问的价值要到两年后才会显现。

平台选型的演示脚本

采购可见性能力时，厂商演示基本都是"一切正常的仪表盘"，看不出深浅。准备一套压力演示脚本，让对方在你的场景里证明能力，四个场景足够分辨产品成色。场景一：拔链路。 在演示环境切断主链路，看告警出现速度、自动切换事件记录、恢复后的回切与全程时间线完整性。场景二：制造慢。 用限速器把某链路压到 30% 丢包，看平台能否在应用体验视图里先于用户告警，并给出方向级定位（哪条链路、哪个应用组、影响几个站点）。场景三：翻旧账。 要求回放"三天前下午的那次告警"的完整时间线（指标、事件、变更三线叠加）——考察数据留存与回放能力，这是排障档案的核心。场景四：问联动。 现场演示从"云端沙箱判定恶意"到"边缘阻断"的联动计时（5.1、5.3 节的必问项）。四个场景的表现，比任何功能清单都诚实。

问题：用了平台，值班人员要学多久？

这是被严重低估的验收项。平台的学习成本不在看图（图都差不多），在工作流迁移：过去的排障动作（登设备、看接口计数）全部作废，新的动作（查时间线、看体检单、按应用检索）需要肌肉记忆。验收时加一个测试：给一名没用过该平台的值班工程师、一份一页纸的操作卡，让他处理一个模拟告警——十分钟内能按卡定位到"哪条链路、哪个应用、影响面多大"的平台算合格。做不到的平台，功能再多也只是管理层的大屏玩具，不是值班工具。配套地，操作卡要在上线头三个月里反复修订，把每一次"值班卡住了"的地方补进去。

本节要点

• 排障半径的差异源于数据留存方式：结构化留痕让排障变成查档案，而非登录猜谜。
• 遥测三层（链路、隧道、应用）加两必备（变更记录、原始导出）构成平台验收底线。
• 标准化工作流：三要素检索、先看自愈、再查体检单、叠加变更线，结论必须引用数据。
• 告警治理三招：分级、聚合、基线化；上线首月固定做告警复盘。
• 平台数据带动作与结果字段，是未来 AIOps 自愈的前置条件，验收时就要问。

至此运维线走完：模式定了、开通自动化了、故障看得见了。下一章把这套机制搬到云端——云分支与多云互联。