都2022年了，为什么还有这么多网络故障？

来源：鲜枣课堂

作者：小枣君

故障年年有，今年特别早。

根据媒体报道，十二日凌晨，有大量用户反映某运营商服务断网。基于网友反馈的坐标来看，包括北京、广州、杭州、长春、乌鲁木齐等地，均出现了断网问题。

据悉，此次大规模断网事件，导致47%的该运营商用户无法访问网络，骨干网受到影响，具体表现为路由追踪无信息。

本次断网发生在深夜，且很快得到了恢复（不到半小时），客观来说，影响不大。

但是，断网的原因却迟迟未能公布（估计不会公布了）。

这次断网，不禁让人深思——都2022年了，运营商和设备商每天都把技术吹得天花乱坠，为什么我们的网络还是会断？

今天，就简单和大家聊聊这个话题。

前段时间，西安一码通宕机的时候，几乎所有人都把关注目光放在“单一来源采购”和“项目转包”上。

这个很好理解，中国改革开放发展到现在，虽然一直在加强法制化建设，但始终未能彻底根绝腐败现象和灰色交易。

我们在日常工作中，也经常见到甚至参与过类似的项目——高价中标，然后层层转包，最后一个千万级的项目，很可能是一个大学生团队完成的。

软件行业这种现象略见不鲜，于是人们就会觉得，通信行业出现问题，是不是也和项目转包或者低价中标有关？

其实，通信行业的情况，和IT行业还是有些区别的。

通信项目，尤其是面向三大运营商的公共通信网络项目，对安全性和可靠性的要求极高。

公共通信网络（手机网络、宽带网络）承载着海量的用户，支撑国民经济各个领域（金融、制造、交通）的发展，对于社会稳定意义重大。各个运营商身负非常严格的网络安全运行考核指标，一旦出现问题，不是扣工资那么简单，而是领导下课，甚至渎职入狱。

所以，对于通信网络主设备和核心服务的采购，运营商非常严谨和认真。能够中标的，都是华为、中兴、爱立信、诺基亚这样的大型企业。

运营商那么重视，设备商就更不用说了。在目前激烈的市场竞争下，设备商们再抠门，也不敢在安全上松懈。一旦出事，大领导就要屁颠屁颠去道歉。一旦出大事，这个省的份额基本上就是完蛋，卷铺盖走人。

所以，通信网络设备的采购，尤其是集团层面的集采，猫腻空间有限。目前，猫腻较多的，或者说存在低价竞争、灰色交易的，是一些中小型的采购。大家可以去运营商的采购网站看，每天都有几十个采购项目挂出来，什么办公楼装修啊，显示屏采购啊，信息系统运维啊，之类的。

通信圈里很多人抱怨运营商压价，其实运营商压价的项目，主要是运维、代运维、站点勘察之类的体力劳动项目。甲方会通过施工标准来卡供应商。

既要低价，又要符合标准，就看乙方供应商的本事。硬件和物料是明的，不好偷工减料，于是，就把目光放在员工身上，大幅克扣合作方员工的工资和奖金，以此达到压低成本的目的。

说起来大家可能不信，有设备商在招外包合作的时候，明确要求了给外包员工的薪资比例。例如设备商给分包商1万，那么，分包商必须承诺，至少要给员工7000，以此保证底层员工的积极性和态度。

为了保证分包商员工不瞎搞，设备商和运营商还专门制定了大量的流程制度和行为规范，文档也是不断地checklist，对操作步骤严格管控，防止出事。

前几年广西那个故障，就是外包员工误操作，导致某设备商赔了几个亿。所以，设备商不会为了省那么几个钱，在核心环节抠成本。

说来说去，我想表达的意思就是——通信网络因为层层转包、偷工减料导致出现重大网络的可能性，极低极低。运营商、设备商、分包商，都不敢拿网络安全当儿戏。

那么问题来了，通信网络出现重大故障的主要原因，究竟是什么呢？

其实还是技术原因。

我们搞技术的通信人都知道，现在的通信网络是极为健壮的，即使你想故意搞瘫它，都很难。

通信网络在设计之初，就有无数的专家进行架构设计和评审，考虑各种冗余和容灾方案。为了避免瘫局，所有的单板都是主备两块。再往上，网元也是容灾的，要么pool池，要么1+1或1:1备份。传输设备就更不用说，各种环型组网，各种主备保护，就是为了应对设备故障或意外情况（地震、水灾、恐袭等）。

电子设备是不稳定的，CPU、内存、主板、硬盘、强弱电，都有可能故障。公共通信网络要实现99.9999%以上的可靠性，必须做容灾备份。说白了，就是砸钱。看上去是一套设备，其实后面是一堆设备。

但是，越复杂的网络，其中的隐患就越难以察觉。目前，我们经历2/3/4/5G的发展，网络变得太过臃肿和复杂。网络的开放化，也导致了厂商的鱼龙混杂。

旧设备舍不得淘汰，新设备（新技术）刚刚上线，是混乱的高发期。

运维人员对设备和网络的缺乏了解，信息的不对称，导致了应对突发局面的慌乱和仓促。

说句实在话，目前运营商的一些员工，在技术上无法做到及时的技能更新，对设备商依赖越来越大，正在丧失对技术的控制和主导权。

少部分的运营商基层技术牛人，因为职业发展的原因，要么升职去做管理了，要么躺平或离职了，青黄不接，没办法和设备商工程师进行对等沟通，影响了故障的紧急恢复。没有造成二次伤害，就已经不错了。

全网级的重大故障，要么是核心网的锅，要么是传输网的锅。现在出故障，想都不用想，要么是骨干网路由挂了，要么是光纤断了，要么就是DNS、鉴权这样的基础服务挂了。连FACEBOOK和GOOGLE这样的顶级技术巨头，都会在BGP这样的基础路由协议上栽跟头，你说还有什么不可能发生？

我们总吹牛，说自己控制了网络。其实，一线技术人员都知道，很多技术上的事情，都是玄学。你根本不知道它为什么会好，也根本不知道它为什么会坏。

网络出现故障的可能性太多了，蝴蝶效应也非常明显。我们国内的工程质量把关很严格，还好一些。很多海外项目，简直让人抓狂。

举个例子，曾经在印度的一个项目，本地员工中继线接错了，主用对的，备用错了。结果，传输网络一个闪断，主用切备用，瘫了。线瘫了就瘫了呗，结果数据溢出，把传输设备冲瘫了。传输设备瘫了，导致整网信令拥塞，又把MGW媒体网关（兼做信令网关）冲瘫了，一路瘫下去，一个邦（相当于国内一个省）就这么断网了。你说神不神奇？

我们作为技术人，要对技术有敬畏之心。我们对技术的掌握，远远没有到炉火纯青的地步。所以，完全杜绝网络故障，是不可能的。常在河边走，哪有不湿鞋。出来混，还是要看点运气。

从技术的长远发展来看，现在都讲网络的自动驾驶（和开车没关系，是网络自己管理网络的意思），讲AI的智能化运维。其实我觉得，AI辅助运维应该可行，但是全面接管的话，还是蛮遥远的。

目前，我们的通信网络过于复杂，人员水平层次不齐，在没有外部主动攻击的情况下，我们都无法保证网络的100%安全。一旦发生了敌对势力对网络的超限战，会发生什么，谁也不知道。

客观发生的情况我们控制不住，但是，主观的预防行为我们还是可以做的。

一方面，加强对技术人员的尊重，给予合适的待遇，规划技术线的跑道，有利于稳定技术人员队伍。

另一方面，及时对员工进行技术培训和实践训练，弥补技术差异，有利于故障的快速恢复。

第三，容灾演练要落到实处，少搞猫腻，想方设法多设计一些极限的紧急情况，完善容灾预案，会有很大帮助。

第四，简化网络架构设计，加速旧设备的淘汰，实现网络极简，有利于减小故障发生的风险。

好了，以上就是笔者关于网络故障的一些想法，欢迎大家补充、拍砖。

谢谢！