📚 课程目录第1章课程导入与目标定位

1. 课程导入与目标定位

在传统数据中心运维中，网络工程师最熟悉的工作方式是“出问题再查”：登录设备、敲 show 命令、看接口计数、抓包分析。这种方式在几十台交换机的规模下尚可应付，但当数据中心扩展到数百甚至上千台叶脊（Spine-Leaf）交换机、承载数万个虚拟机与容器时，故障定位的难度会呈指数级上升。一个典型场景是：某业务团队反馈“应用时延抖动”，而网络设备的所有接口计数器都显示正常，CPU 与内存也没有异常。问题究竟出在哪一跳？是微突发（microburst）导致的瞬时丢包，还是某条 ECMP 路径上的队列拥塞？传统轮询式监控的采样周期通常是分钟级，根本无法捕捉毫秒级的瞬态事件。

这正是网络遥测与可观测性要解决的核心问题。网络遥测（Network Telemetry）指的是网络设备主动、持续、高速地向采集端推送状态数据的能力，它把“人去问设备”变成“设备主动上报”。可观测性（Observability）则更进一步，它不仅要求采集到数据，还要求通过这些数据推断出系统内部正在发生什么，即从外部输出反推内部状态。两者的关系可以这样理解：遥测是手段，可观测性是目标。没有高质量的遥测数据流，可观测性就无从谈起；而只有数据、没有关联分析与可视化，遥测的价值也无法真正释放。

本课程围绕 Arista 数据中心网络的技术栈展开，涉及的核心对象可以分为四层。第一层是数据平面遥测，包括 sFlow、IPFIX 和 INT（In-band Network Telemetry）。sFlow 基于采样，适合流量成分分析与粗粒度趋势观察；IPFIX 基于流记录，适合流量矩阵与安全审计；INT 则把遥测指令直接嵌入数据包，让每一个经过的交换机把自己的端口、队列、时延信息写入包头，实现逐跳的精细路径追踪。第二层是控制与管理平面遥测，以 gNMI 和 OpenConfig 为代表。gNMI 是 Google 提出的 gRPC 网络管理接口，支持 Subscribe 模式下的流式订阅；OpenConfig 则提供厂商中立的 YANG 数据模型，使不同厂商设备的配置与状态数据具有统一的路径表达。第三层是平台与可视化，即 Arista CloudVision，它作为集中管理平台，汇聚 EOS 设备的状态、配置、事件与遥测流，提供拓扑视图、合规检查与变更审计。第四层是设备操作系统，即 Arista EOS，它是所有遥测能力的承载基础，其架构支持在交换机上直接运行容器化采集代理，也支持通过 eAPI、gNMI 等接口对外暴露数据。

理解这四层关系之后，学习路径就变得清晰了。建议按照“自底向上、由采到用”的顺序推进：先掌握 EOS 上如何开启和验证各类遥测功能，再理解 gNMI 与 OpenConfig 如何把设备状态标准化地暴露出来，接着学习 sFlow、IPFIX、INT 各自适合回答什么问题，最后在 CloudVision 中把多源数据关联起来，形成从“单设备指标”到“全网行为”的观测能力。

为了让大家对“可观测性到底解决什么问题”有更具体的感受，这里给出一个贯穿课程的示例场景。假设某数据中心采用 4 台 Spine、8 台 Leaf 的 CLOS 架构，每台 Leaf 下挂 20 台服务器，全网共 160 台服务器。业务团队报告：每天上午 10:00 至 10:15 之间，某分布式数据库的写入延迟从正常的 2ms 上升到 15ms 左右，但应用日志中没有报错，服务器 CPU 与磁盘 IO 也未见异常。

按照传统方法，网络工程师会登录 Leaf 交换机查看接口计数。假设查看 Leaf-03 的上行口 Ethernet49 时，看到如下输出（示例数据，非实测）：

Leaf-03# show interfaces Ethernet49 counters rates
   Port       InMbps   OutMbps   InPkts/s   OutPkts/s
   Et49       8420     8390      712000     708000

Leaf-03# show interfaces Ethernet49 counters errors
   Port       FCS    Alignment   Runts   Giants   CRC
   Et49       0      0           0       0        0

从计数器看，带宽利用率约 84%，没有 CRC 错误，也没有丢包计数。如果只看这些数据，很容易得出“网络正常”的结论。但问题可能出在微突发：在 10ms 的时间窗口内，某个队列瞬时被填满并产生丢包，而 1 分钟平均速率完全看不出异常。这时就需要 INT 或高频 gNMI 订阅来捕捉队列深度与瞬时丢包。例如，通过 gNMI 以 1 秒间隔订阅 Leaf-03 上 Ethernet49 的队列状态（示例路径）：

gnmi_subscribe --path "/interfaces/interface[name=Ethernet49]/state/counters" \
  --mode SAMPLE --interval 1s \
  --target leaf-03.example.com:6030

如果订阅结果显示在 10:03:12 至 10:03:18 之间，某队列的瞬时丢包计数从 0 跳变到 340，而同期端口总丢包计数仍为 0（因为被更粗粒度的计数器掩盖），就能定位到具体队列与时间窗口。再结合 sFlow 采样数据，查看该时间段内哪些源 IP 与目的 IP 的流占比最高，往往能发现是某个备份任务或批量写入操作在短时间内打满了队列。这就是“遥测数据 → 可观测性判断 → 根因定位”的完整链条。

学习建议：本课程后续每一节都会围绕具体对象展开，建议在阅读时同步准备一台可用的 Arista EOS 实验环境（物理设备或 vEOS 虚拟机均可），对 gNMI、sFlow、IPFIX 等关键功能进行实际验证。遥测与可观测性是一门高度依赖动手的工程学科，只看不练很难建立对数据粒度、采样率、订阅间隔等参数的直觉。

最后需要明确本课程的目标定位。学完本课程后，你应该能够：第一，说清楚 sFlow、IPFIX、INT、gNMI、OpenConfig 各自解决什么问题、适合什么场景、有什么局限；第二，在 Arista EOS 上独立完成遥测功能的开启、参数配置与数据验证；第三，使用 CloudVision 或开源工具（如 Prometheus + gNMIc、Grafana）搭建一套可用的遥测数据采集与可视化链路；第四，面对“时延抖动”“偶发丢包”“流量异常”等典型问题时，能够选择合适的遥测手段并给出有依据的判断。这四点既是课程目标，也是后续每一节内容取舍的依据。