1.
1.1 理解SLA核心指标:可用性(% uptime)、响应时间(Response Time)、修复时间(MTTR)、计划维护窗口与赔偿条款。SLA是衡量机房服务质量与对运营风险承担的合同基础。
1.2 实际用途:采购前用SLA判断厂商承诺;运营中用SLA作为NOC判责与索赔依据;灾难恢复演练中用于验证厂商履约能力。
2.
2.1 获取文档:向机房索要正式SLA文件、网络拓扑图、电力冗余说明(N+1、2N)、监控与告警接入方式、历史可用性报告(至少12个月)。
2.2 核对要点:确认SLA的可用性口径(“机柜端口”还是“单台服务器”)、是否包含网络层/上游带宽、是否有地域性限制(仅适用于台湾本地访问)。
3.
3.1 网络连通性实测:从你常用的POPs(如你公司台湾节点、国内与海外节点)分别执行:ping -c 100 <目标IP>、mtr -c 100 <目标IP>、traceroute -I <目标IP>。记录丢包率、平均RTT、跳点异常。
3.2 带宽与吞吐测试:使用iperf3做端到端带宽测试(若提供测试服务器或要求客户临时部署对端):iperf3 -c
4.
4.1 建立基础监控:部署Prometheus + node_exporter或Zabbix Agent,在机房服务器上采集CPU、内存、磁盘、网络接口速率、接口错误计数、RAID状态。
4.2 网络监控:配置SNMP到你的NMS或通过BGP监控工具检测路由变动;对重要端口做ICMP/TCP端口探测并配置阈值告警。
4.3 告警流程:在PagerDuty或企业微信/Slack中配置告警通道,定义严重性S1~S4与告警抖动、重复抑制策略,确保不漏报也不过度告警。
5.
5.1 事前准备:列出SOP包含的内容:通知列表(NOC电话/邮件/工单系统/短信)、证据收集模板(日志、监控图、traceroute输出)、紧急联系人与备份联系人。
5.2 故障分级与模板:定义S1(整站中断)、S2(关键服务降级)、S3(单机故障)、S4(计划维护)。每级列出期望响应时间(例如S1:15分钟内响应电话,1小时内启动修复)与责任人。
6.
6.1 检测并确认:从监控获取时间窗口的丢包/RTT突变;用traceroute/mtr定位故障跳;用BGP looking glass或上游ASN确认是否为上游链路问题。
6.2 提交工单:按厂商要求在NOC工单系统提交,工单应包含:问题摘要、严重级别、发生时间、影响范围、已做排查项(附ping/mtr输出)、期望响应方式(电话/远程登录)。
6.3 跟进与升级:若厂商在承诺响应时间内未响应,按合同进入升级流程(列出法律/赔偿条款),并抄送客户成功经理与销售代表作为压力点。
7.
7.1 值得争取的点:提高可用性指标(如从99.9%争取到99.95%)、缩短MTTR承诺、明确赔偿计算方式(按小时或按月,并给出具体公式)、明确维护通知最低提前期。
7.2 量化赔偿与免责条款:要求明确不可抗力定义与第三方中断责任划分,尽量避免“运营维护”被宽泛定义为免责项。
8.
8.1 台账内容:机柜编号、电源口、PDU序列号、网络端口、交叉连接编号、远程手(Remote Hands)权限与流程、巡检记录与温湿度曲线。
8.2 定期演练:每季度或半年与机房执行一次故障演练(模拟电源切换、链路抖动、单机硬盘故障),记录MTTR与沟通效率,形成改进清单。
9.
9.1 收集证据:导出监控历史、网络诊断文件、工单时间线、客户影响范围证明。按合同计算赔偿金额并提供公式计算表格(建议Excel附档)。
9.2 提交与谈判:正式提交索赔申请到机房SLA管理邮箱,抄送法律与采购部门;在规定期限内若未回复,按合同约定采取仲裁或内部折衷方案。
10.
10.1 答:可以通过三步走的实测方法:一是现场或远程提交标准化的S1级别测试工单(事先与厂商约定模拟演练),二是记录厂商的首次响应时间、首响应方式以及启动修复的时间点,三是对比SLA承诺并复盘每一步沟通记录与技术操作,必要时把演练纳入合同条款作为定期验收项。
11.
11.1 答:验证方法包括:要求厂商提供至少12个月的可用性报告并核验来源(NMS或外部监控),自行在不同地理节点持续采样(ICMP/TCP探针、HTTP健康检查),并用时间序列统计工具计算实际可用窗口;同时检查赔偿条款的口径是否以“机房层面”还是“客户设备”为准。
12.
12.1 答:优先关注(1)真实可用性与MTTR承诺及历史履约记录;(2)网络多路径与上游带宽保障(是否有本地IX或主要国际链路直连);(3)远程运维与Remote Hands能力(响应时间、权限范围与费用)。这三项直接决定你业务的连续性与运营成本。