2. 网络可靠性基础：网络故障类型、可靠性指标、保护倒换对可靠性的提升

大家好，我是老张。干光网络这行快二十年了，踩过的坑比走过的桥还多。今天咱们聊聊网络可靠性，这是保护倒换的根基。说白了，你连网络为什么会坏、坏到什么程度都不清楚，那保护倒换就是瞎忙活。

我记得刚入行那会儿，跟着师傅去处理一个骨干网中断。折腾了四个小时才发现，就是一根尾纤被老鼠咬了个小口子。从那以后我就明白了一个道理：网络故障是必然的，不是偶然的。咱们要做的，不是幻想网络永远不坏，而是坏了之后怎么快速恢复。

2.1 网络故障类型：你可能会遇到哪些坑？

网络故障，我习惯把它分成三大类。你想想看，一个光网络系统，无非就是硬件、软件、还有外部环境这三块。

2.1.1 硬件故障

这是最常见、也最头疼的一类。我遇到过的情况包括：

• 光模块失效：激光器老化、接收灵敏度下降。有一次在机房，一个10G模块用了三年多，突然就报"光功率过低"，换了模块立马恢复。
• 光纤断裂：施工挖断、老鼠咬断、甚至被风吹断。嗯，别笑，我真见过大风把架空光缆吹断的。
• 单板/端口故障：电路板上的电容爆浆、芯片虚焊。这类故障往往间歇性出现，最难排查。
• 电源模块损坏：双路供电坏了一路，设备还在跑，但已经处于"裸奔"状态了。

2.1.2 软件故障

软件故障比硬件更隐蔽。我个人习惯把软件故障分为三类：

• 协议震荡：比如OSPF邻居反复UP/DOWN，导致路由表不断刷新。我见过一个案例，全网设备CPU飙升到90%，就是因为一个错误的LSA泛洪。
• 配置错误：人为误操作，比如把保护组的倒换模式配反了。有一次同事在割接时，把"1+1保护"配成了"1:1保护"，结果主用光纤断了，业务直接中断了半小时。
• 软件Bug：内存泄漏、死锁、进程异常退出。这类问题往往需要升级版本或打补丁。

2.1.3 外部环境与人为因素

这部分往往被忽视，但实际影响很大：

• 电力中断：市电闪断、UPS电池耗尽。我建议所有核心节点至少配双路市电+柴油发电机。
• 自然灾害：地震、洪水、雷击。2018年某地机房遭雷击，直接打坏了三块主控板。
• 人为破坏：施工挖断、误操作、甚至恶意攻击。

2.2 可靠性指标：怎么量化"可靠"？

搞工程的人，凡事喜欢量化。你说你的网络可靠，到底有多可靠？这里有几个核心指标，我每次做方案设计都会用到。

2.2.1 可用度（Availability）

可用度，说白了就是系统正常工作时间占总时间的比例。公式很简单：

可用度 A = MTBF / (MTBF + MTTR)

其中：

• MTBF（Mean Time Between Failures）：平均无故障时间。设备平均多久坏一次。
• MTTR（Mean Time To Repair）：平均修复时间。坏了之后平均多久修好。

举个例子：某光传输设备的MTBF是10万小时（约11.4年），MTTR是4小时。那么它的可用度就是：

A = 100000 / (100000 + 4) ≈ 0.99996

也就是99.996%，俗称"四个9"。一年下来，允许的停机时间大约是：

365天 × 24小时 × (1 - 0.99996) ≈ 0.35小时 ≈ 21分钟

2.2.2 MTBF与MTTR的实战意义

这两个指标，我建议你重点关注MTTR。为什么？因为MTBF往往由设备厂商决定，你很难改变。但MTTR是你可以控制的。

• MTBF：取决于器件质量、设计工艺、工作环境。选大厂设备、做好散热、防尘，能有效提升MTBF。
• MTTR：取决于故障定位速度、备件储备、人员技能。我见过一个团队，MTTR从4小时降到30分钟，靠的就是一套完善的故障处理SOP和备件库。

2.3 保护倒换对可靠性的提升：从"修"到"换"

好了，前面讲了故障和指标。现在聊聊保护倒换——它到底能带来多大的提升？

没有保护倒换时，网络故障的处理流程是：故障发生 → 人工发现 → 定位问题 → 修复/更换 → 恢复业务。这个过程，MTTR可能是几小时甚至几天。

有了保护倒换，流程变成了：故障发生 → 自动检测 → 自动倒换 → 业务恢复。整个过程，MTTR可以缩短到50毫秒以内。

咱们用数据说话。假设某链路的MTBF是5000小时，没有保护时MTTR是4小时，可用度为：

A = 5000 / (5000 + 4) ≈ 0.9992（三个9）

加上保护倒换后，MTTR降到50毫秒（0.0000139小时），可用度变为：

A = 5000 / (5000 + 0.0000139) ≈ 0.999999997（接近八个9）

你看，保护倒换把可用度从三个9提升到了接近八个9。这就是为什么所有电信级网络都必须部署保护倒换机制。

2.3.1 保护倒换的核心价值

• 秒级甚至毫秒级恢复：用户几乎无感知。我做过测试，50ms的倒换时间，VoIP通话完全不受影响。
• 减少人工干预：自动倒换，不需要半夜爬起来去机房换板卡。
• 提升运维效率：故障发生后，可以先倒换恢复业务，再慢慢排查故障原因。

2.4 本章知识体系：一张图看懂

下面这张图，是我自己总结的。它把网络可靠性的核心逻辑串起来了：

这张图你看懂了吗？从左到右，逻辑很清晰：先搞清楚故障类型，再用指标量化可靠性，最后用保护倒换来提升可用度。后面的章节，咱们会逐一深入每个环节。

---

公众号:蓝海资料掘金营，微信deep3321