مانیتورینگ دسترسی روتر و هشدار قطعی بدون نویز زیاد

قطع شدن یک روتر لبه ممکن است کل شعبه را خاموش کند؛ اما هشدار برای هر پینگ ازدست‌رفته هم تیم را کرخت می‌کند. مانیتورینگ مفید یعنی تشخیص به‌موقع قطعی واقعی با کمترین نویز.

چه چیزی را باید ببینید

برای ناوگان روتر، حداقل این سیگنال‌ها کافی است تا از «آیا زنده است؟» جلوتر بروید:

• دسترسی (reachability): آیا خواندن وضعیت از API/SSH/SNMP موفق است؟
• تأخیر خواندن: افزایش ناگهانی latency می‌تواند نشانهٔ شلوغی CPU یا مسیر بد باشد.
• وضعیت پورت‌های حیاتی: uplink و لینک به هسته.
• منبع تغذیه / حسگرها در سخت‌افزارهایی که گزارش می‌دهند.

نمودار زیبا بدون هشدار عملیاتی، و هشدار بدون زمینه، هر دو ناقص‌اند. صفحهٔ مانیتور باید هم خلاصهٔ ناوگان را نشان دهد هم مسیر سریع به جزئیات دستگاه.

اعلام قطعی (Down) پس از چند شکست، نه یک شکست

شبکه‌های واقعی jitter دارند. یک timeout به‌تنهایی نباید وضعیت دستگاه را «down» کند. الگوی رایج:

1. هر N دقیقه یک poll.
2. بعد از K شکست پشت‌سرهم، وضعیت down و هشدار باز شود.
3. با اولین موفقیت پایدار، recovered اعلام شود.

عدد K را با فاصلهٔ poll هماهنگ کنید. اگر فاصله ۵ دقیقه و K=۳ باشد، حدود ۱۵ دقیقه تا اعلام قطعی فاصله دارید — برای شعبهٔ فروش ممکن است زیاد باشد؛ برای لینک پشتیبان شاید قابل قبول باشد. در LumexNet این رفتار با تنظیم «قطع پس از چند بررسی ناموفق پشت سر هم» کنترل می‌شود.

سرکوب والد و کاهش آبشار هشدار

وقتی هسته یا فایروال اصلی می‌افتد، ده‌ها دستگاه پشت آن هم timeout می‌خورند. اگر برای همه پیام بفرستید، کانال هشدار زیر سیل پیام‌ها می‌رود و علت اصلی گم می‌شود.

راه‌حل عملی: برای هر دستگاه یک والد تعریف کنید. تا وقتی والد down است، هشدار فرزند فقط ثبت شود و پیام ارسال نشود. بعد از برگشتن والد، وضعیت فرزندها دوباره معنا دارد. جزئیات بیشتر دربارهٔ آستانه‌های منابع در هشدار CPU و حافظه آمده است.

بی‌صدا کردن هوشمند (Mute)، نه خاموشی همیشگی

در پنجرهٔ نگهداری (قطع برنامه‌ریزی‌شده، ارتقا، جابه‌جایی رک) باید بتوانید:

• کل ناوگان را برای ۱، ۴ یا ۲۴ ساعت بی‌صدا کنید، یا
• فقط یک دستگاه/پروب را mute کنید.

رویدادها بهتر است همچنان در تاریخچه بمانند تا بعداً ببینید در آن بازه چه گذشت؛ فقط ارسال پیام متوقف شود. تأیید هشدار (Acknowledge) هم برای هشدارهای باز مفید است؛ یعنی «دیدیم و در جریانیم»، ولی هشدار تا رفع واقعی مشکل باز می‌ماند.

پروب مکمل برای مسیرهای حیاتی

مانیتور خود دستگاه کافی نیست اگر می‌خواهید بدانید «آیا DNS داخلی از شعبه جواب می‌دهد؟». پروب ICMP/TCP جدا به هدف مشخص، دید مسیر را کامل می‌کند. پروب را هم می‌توان زیر همان مدل mute و والد آورد تا وقتی لینک والد قطع است، سیل هشدار راه نیندازد.

کانال اعلان

برای تیم‌های ایرانی، پیام‌رسان «بله» یا وب‌هوک داخلی رایج است. متن هشدار باید:

• نام دستگاه و نوع رویداد را روشن بگوید،
• مقدار آستانه را نشان دهد،
• رمز، community و کلید را هرگز چاپ نکند.

شروع با LumexNet

1. دستگاه‌ها را اضافه و مانیتور را روشن کنید.
2. تنظیم «قطع پس از چند بررسی ناموفق پشت سر هم» را با فاصلهٔ poll هماهنگ کنید.
3. سلسله‌مراتب والد را برای هسته/لبه بچینید.
4. یک بار قطع آزمایشی در ساعات کم‌ترافیک انجام دهید و ببینید فقط پیام‌های درست می‌آیند.

اگر هنوز بکاپ منظم ندارید، اول بکاپ محلی میکروتیک را راه بیندازید؛ بعد هشدار قطعی ارزش عملیاتی بیشتری پیدا می‌کند. برای ورود، به صفحهٔ اصلی LumexNet بروید.