4. 网络性能关键指标与SLA

容量规划最终要落到可测量的性能指标上。带宽、吞吐量、时延、抖动、丢包率和可用性这六个指标，构成了数据中心网络SLA的语言基础。理解它们的定义边界和测量方法，是把业务需求翻译成网络阈值的前提。

六个指标的定义与测量边界

带宽是链路的理论最大传输能力，单位bps，由物理介质和接口速率决定，例如100Gbps以太网端口。它是容量上限，不代表实际能跑满。吞吐量是单位时间内实际成功传输的有效数据量，通常用iperf3或生产流量采样测量。两者关系是：吞吐量 ≤ 带宽 × 协议效率，TCP在长肥管道中受窗口和丢包限制，实测吞吐量常只有带宽的60%～90%。

时延是报文从源到目的的单向或往返时间。数据中心内通常关注三类：链路传播时延（约5ns/m光纤）、设备转发时延（交换机约1～5μs，取决于芯片和队列深度）、排队时延（随负载非线性增长）。测量方法有ICMP ping（RTT）、TWAMP（双向主动测量）、以及基于INT（In-band Network Telemetry）的逐跳时延采集。注意ping测的是RTT，单向时延需时钟同步，误差可能达毫秒级。

抖动是时延的变化量，定义为相邻报文时延差的标准差或峰峰值。对实时音视频和RDMA影响显著。测量时需在同一流内连续采样，用 jitter = sqrt(mean((D_i - D_avg)^2)) 计算。丢包率是丢失报文占总发送报文的比例，分链路误码丢包和拥塞丢包。测量可用交换机端口计数器（CRC错误、discard）或端到端探针。拥塞丢包在微突发下瞬时可达0.1%以上，而平均采样可能漏掉。

可用性是系统在规定时间内可服务的时间比例，常用“几个9”表达：99.9%对应年停机8.76小时，99.99%对应52.6分钟，99.999%对应5.26分钟。测量基于故障工单和监控告警的MTBF/MTTR计算，需明确统计口径——是单链路、单设备还是端到端路径。

不同业务的SLA差异

存储业务（如分布式块存储、NFS）以带宽和吞吐量为核心。典型SLA：单流吞吐量不低于链路带宽的70%，时延P99小于5ms，丢包率低于0.01%。存储流量通常是大块顺序读写，对抖动不敏感，但丢包会触发TCP重传，直接拉低有效吞吐量。

计算业务（如HPC、分布式数据库）对时延和抖动更敏感。典型SLA：节点间RTT P99小于100μs，抖动小于20μs，可用性99.99%。这类业务常用RDMA或RoCEv2，对丢包几乎零容忍——一个丢包可能导致整个MPI集合通信超时重试。

AI训练业务是三者中最苛刻的。以GPU集群AllReduce为例，参数同步要求网络提供微秒级时延、接近零丢包、高吞吐和低抖动。典型SLA：时延P99小于10μs，丢包率低于1e-6，抖动小于5μs，可用性99.999%。任何微突发导致的拥塞丢包都会让训练任务回退到软件重传，吞吐量骤降。

把SLA转化为网络性能阈值

转化过程分三步。第一步，明确业务SLA的统计口径：是P50、P95还是P99？是单流还是聚合？是端到端还是逐跳？口径不同，阈值差异可达数倍。第二步，将业务指标分解到网络层。例如AI训练要求AllReduce在100ms内完成，参与节点128个，每轮通信量1GB，则网络需提供至少 1GB × 2 × 128 / 0.1s ≈ 2.56Tbps 的聚合带宽，且单流时延不超过10μs。第三步，留出余量。通常按SLA阈值的70%～80%设定告警门限，按50%～60%设定扩容触发点。

测量方法的选择与陷阱

带宽和吞吐量测量首选iperf3，注意用 -P 多流模拟真实负载，用 -t 60 跑足够长时间避开TCP慢启动。时延测量中，ping的RTT包含往返路径，若需单向时延，应使用TWAMP或PTP同步后的INT。抖动测量必须基于同一五元组的连续报文，跨流计算没有意义。丢包率测量要区分“端口计数器丢包”和“端到端丢包”，前者反映设备内部拥塞，后者反映路径整体质量。可用性统计要明确“计划内维护”是否计入停机时间，否则99.99%和99.9%的差距可能只是口径不同。

从指标到容量决策

六个指标不是孤立的。带宽决定上限，吞吐量反映实际效率，时延和抖动决定业务体验，丢包率是拥塞和误码的指示器，可用性则是长期可靠性的总结。容量规划时，先按业务SLA确定各指标的阈值，再用测量数据判断当前网络是否达标，最后根据余量决定是否扩容或调整调度策略。例如，若存储业务吞吐量达标但时延P99超标，问题可能在交换机队列深度或TCP窗口，而非带宽不足；若AI训练丢包率超标但带宽余量充足，则应检查PFC/ECN配置和微突发缓冲。

把SLA翻译成阈值时，建议形成一张“业务—指标—阈值—测量点—告警动作”的对照表，作为容量规划的输入。这张表不需要复杂，但必须明确每个阈值的统计口径和采样周期，否则后续的扩容判断会失去依据。