4. 健康诊断指标体系

在高速以太网（100G/200G/400G/800G）运维中，链路“通不通”只是最低要求，真正决定业务体验的是链路“好不好”。健康诊断指标体系的作用，就是把“好不好”拆解成一组可采集、可比较、可告警的量化指标，并明确每个指标在芯片、模块、端口、队列等不同位置的采集点。本节围绕链路误码、FEC纠错、眼图余量、时延抖动、丢包、拥塞、PFC/ECN七类核心指标展开，说明它们的物理含义、典型采集位置以及相互之间的因果链。

一、物理层指标：误码与FEC纠错

链路误码通常用误码率（BER）或误码计数表示。在PAM4高速链路上，原始误码率（Pre-FEC BER）可能高达1e-5～1e-4，必须依靠FEC才能达到1e-12以下的业务可用水平。采集点主要分布在三个位置：SerDes PMA层的符号错误统计、PCS层的FEC解码前误码、以及FEC解码后的残余误码。工程上最常用的是Pre-FEC BER和Post-FEC BER两个值，前者反映物理链路质量，后者反映最终交付给MAC层的可靠性。

FEC纠错指标包括纠正的码字数（Corrected Codewords）、不可纠正码字数（Uncorrectable Codewords）、以及FEC符号错误分布。以RS(544,514)为例，每544个符号中可纠正15个符号错误。若某端口每秒纠正码字数持续上升，说明链路余量在下降；一旦出现不可纠正码字，就会直接导致丢包。采集点位于PCS子层的FEC解码器输出，可通过芯片寄存器或端口统计计数器读取。

二、信号质量指标：眼图余量

眼图余量（Eye Margin）衡量接收端在采样时刻对噪声和抖动的容忍度，常用水平眼高（Eye Height）和垂直眼宽（Eye Width）表示，也可用BER轮廓（BER Contour）或眼图模板余量（Mask Margin）量化。采集点位于接收端SerDes的CDR之后、均衡器输出处。实际工程中，通过芯片内置的眼图扫描（Eye Scan）功能，可以在不中断业务的情况下获取二维眼图，并计算在目标BER（如1e-6）下的眼高和眼宽。

眼图余量的典型判据是：在目标BER下，眼高和眼宽均需大于模板要求的20%以上。若余量低于10%，链路在温度变化或电压波动时极易出现误码突增。眼图余量是预测性指标，适合用于链路质量趋势分析和模块替换决策。

三、网络层指标：时延抖动与丢包

时延抖动（Jitter）分为两类：物理层抖动（TJ/RJ/DJ）和网络层时延抖动（PDV，Packet Delay Variation）。物理层抖动由SerDes和参考时钟决定，采集点在CDR和PLL输出；网络层时延抖动则通过带时间戳的探测报文（如TWAMP、INT）测量，采集点在端口入队列和出队列的时间戳寄存器。对于金融交易、工业控制等场景，PDV超过100μs即可能影响业务。

丢包指标包括丢包计数、丢包率、丢包突发长度。采集点分布在MAC层、队列出口和FEC解码后。需要区分三类丢包：FEC不可纠正导致的物理丢包、队列溢出导致的拥塞丢包、以及ACL/策略导致的主动丢包。只有定位到丢包类型，才能选择正确的处理路径。

四、拥塞与流控指标：PFC/ECN

拥塞通过队列深度、队列丢弃计数、端口利用率、缓存占用率等指标刻画。采集点在入方向队列和出方向队列的统计寄存器。当出队列深度持续超过阈值（如80%缓存），说明下游存在瓶颈。

PFC（Priority Flow Control）指标包括PFC帧发送计数、PFC帧接收计数、每优先级暂停时长。采集点在MAC控制子层。PFC帧频繁发送说明下游队列即将溢出，但PFC本身会引发队头阻塞和死锁风险，因此需要结合PFC风暴检测。

ECN（Explicit Congestion Notification）指标包括ECN标记包计数、ECN标记率、以及CE（Congestion Encountered）比例。采集点在IP层转发路径的队列管理模块。ECN标记率上升说明拥塞正在形成，但尚未达到丢包程度，是比PFC更温和的拥塞信号。

五、指标间的因果传导与诊断顺序

七类指标并非孤立，而是存在明确的因果传导链。物理层眼图余量下降会导致Pre-FEC BER上升；Pre-FEC BER上升会使FEC纠正计数增加；当误码超出FEC纠错能力时，出现不可纠正码字并导致丢包；同时，链路误码和丢包会引发重传，重传又加剧拥塞，拥塞触发PFC或ECN标记，PFC风暴反过来造成更多丢包。因此，诊断时应遵循“从物理层到网络层、从预测性指标到结果性指标”的顺序。

实际排查中，建议先观察Pre-FEC BER的长期趋势，若其缓慢上升，再检查眼图余量是否同步下降，从而判断是模块老化、光纤污染还是温度漂移。若Pre-FEC BER正常但丢包计数上升，则应转向队列深度、PFC帧计数和ECN标记率，判断是否为拥塞导致。这种分层定位方法可以避免在错误的层级反复排查。

六、采集点与采集方式对照

七、指标采集的工程实现要点

在工程实现上，指标采集需要解决三个问题：采集频率、数据精度和关联分析。采集频率方面，Pre-FEC BER和FEC计数建议每10秒轮询一次，眼图余量可每5分钟扫描一次，PFC/ECN计数建议每1秒采集一次以捕捉突发。数据精度方面，计数器通常为32位或64位，需注意回绕处理，建议使用差值法而非绝对值判断。关联分析方面，应将同一端口的物理层指标、队列指标和流控指标打上统一时间戳，便于回溯因果链。

以某400G端口为例，假设每10秒采集一次，Pre-FEC BER从1e-7缓慢升至8e-6，同时FEC纠正码字数从每秒200升至每秒1500，眼图余量从35%降至18%，而丢包计数仍为0。此时链路尚未丢包，但已进入亚健康状态，应触发预警并安排模块更换或光纤清洁。若等到丢包计数上升再处理，业务已经受到影响。这正是健康诊断指标体系的核心价值：在业务受损之前发现劣化趋势。

综上，链路误码、FEC纠错、眼图余量、时延抖动、丢包、拥塞、PFC/ECN七类指标分别覆盖了从物理层到流控层的完整观测面。理解每个指标的定义、采集点和相互传导关系，是构建高速网络健康诊断系统的基础。实际部署时，应结合芯片能力、业务SLA和运维成本，选择合理的采集粒度和告警阈值，形成可落地的指标体系。