一、网络监控概述：到底什么是网络监控？

大家好，我是你们这门课的老朋友。今天咱们正式开篇，聊聊网络监控。

你可能会想，网络监控不就是盯着屏幕看流量图吗？嗯，没那么简单。我个人习惯把网络监控比作医院的体检中心——你不可能等病人倒下了才去查病因，对吧？网络监控就是给整个网络系统做“定期体检”，提前发现隐患。

1.1 什么是网络监控？

说白了，网络监控就是一套持续采集、分析、告警的机制。它盯着网络设备、服务器、应用，看它们是不是在正常工作。

我遇到过不少刚入行的朋友，觉得装个Zabbix或者Prometheus就算完事了。其实那只是第一步。真正的监控，要回答三个问题：

• 现在网络通不通？——连通性检测
• 性能好不好？——延迟、吞吐量等指标
• 有没有异常？——丢包、错误、资源耗尽

举个例子。你公司有100台服务器，某天突然有5台响应变慢。如果没有监控，你只能等用户投诉。有了监控，你可以在用户发现之前就定位到问题。这就是价值。

1.2 监控系统的价值——为什么非做不可？

我曾经接手过一个项目，客户说“我们网络很稳定，不需要监控”。结果呢？三个月后，核心交换机CPU飙到95%，整个业务瘫痪了两小时。老板急得跳脚，运维团队背了锅。

你想想看，监控系统到底能带来什么？

1. 故障快速定位——从“猜”变成“看”。我习惯把监控比作黑匣子，出事后一查便知。
2. 容量规划依据——带宽够不够？要不要扩容？数据说话。
3. SLA保障——你跟客户签了99.9%可用性，拿什么证明？监控数据就是证据。
4. 安全预警——流量突增可能是攻击，丢包率异常可能是线路故障。

1.3 常见监控指标——你得看懂这几个数

指标是监控的灵魂。我见过有人把几十个指标堆在仪表盘上，结果啥也看不出来。其实核心指标就那么几个，咱们一个一个说。

1.3.1 延迟（Latency）

延迟就是数据包从A到B花的时间。单位通常是毫秒（ms）。

为什么会高？可能是链路拥塞、设备处理慢、距离远。我记得有一次排查跨地域业务慢的问题，发现延迟高达300ms，最后定位到是路由绕路了。

延迟一般分几种：

类型	说明	典型值
单向延迟	从源到目的的单程时间	局域网 < 1ms
往返延迟（RTT）	发出去到收到回复的总时间	同城 < 10ms
应用层延迟	用户请求到响应的总耗时	取决于业务

1.3.2 吞吐量（Throughput）

吞吐量是单位时间内传输的数据量。单位常用bps（比特每秒）、pps（包每秒）。

你买了1Gbps的带宽，实际能跑多少？这就是吞吐量要回答的问题。我遇到过很多次，客户说带宽不够，结果一查，实际利用率不到30%。问题出在应用层，不是网络。

吞吐量跟什么有关？

• 链路带宽——物理上限
• 设备性能——路由器、交换机处理能力
• 协议开销——TCP握手、重传都会吃掉带宽

1.3.3 丢包率（Packet Loss Rate）

丢包率 = 丢失的包 / 发送的总包数 × 100%。

这个指标我特别敏感。为什么？因为丢包会引发TCP重传，重传又加剧拥塞，恶性循环。我曾经在数据中心排过一个故障：某台服务器丢包率只有0.5%，但业务已经卡得不行了。0.5%看起来小，但对实时应用来说就是灾难。

丢包率的一般标准：

场景	可接受丢包率	说明
局域网	< 0.01%	几乎不允许丢包
广域网	< 0.1%	少量丢包可接受
语音/视频	< 1%	超过1%就会明显卡顿

1.3.4 可用性（Availability）

可用性 = 正常运行时间 / 总时间 × 100%。

这是老板最关心的指标。SLA里写的99.9%、99.99%指的就是这个。我算过一笔账：99.9%可用性，一年允许宕机8.76小时；99.99%呢？只有52.56分钟。差距很大。

可用性怎么算？

• 设备层面——交换机、路由器是否在线
• 链路层面——端口是否up
• 服务层面——应用是否响应

1.4 知识体系总览

下面这张图，是我自己梳理的本章知识结构。你可以把它当作整个监控体系的“地图”。

这张图把本章的核心内容串起来了。你注意看，所有指标最终都指向一个目标——让网络可观测、可量化、可管理。

1.5 避坑指南——新手最容易犯的错

最后，分享几个我踩过的坑。

• 别只看平均值。我曾经监控一个链路，平均延迟20ms，觉得挺好。结果一查P99延迟，500ms。平均值会掩盖问题。
• 告警阈值别拍脑袋。我见过有人把丢包率阈值设成0%，结果天天告警。网络不可能零丢包，要基于基线设置。
• 监控不是越多越好。指标太多等于没有指标。先抓核心四个，再慢慢加。