SD-WAN QoE 怎么看?应用体验监控指标与告警设置
简答:SD-WAN QoE 的正确看法是:先用 QoE 分数或健康等级发现体验变差,再用延迟、抖动、丢包、吞吐量、应用响应时间和路径变化定位原因。告警不要只设一个分数阈值,而应绑定应用、站点、链路或路径,并加入持续时间、恢复条件、样本门槛和维护窗口。处理顺序可以记为:分数判断体验,原始指标定位原因,影响范围判断责任边界。
定义:SD-WAN QoE(Quality of Experience)是平台根据应用流量、网络路径和应用行为数据评估用户体验的指标体系,不同厂商的分数、区间、样本和计算模型不能直接横向等同。
先看这张表:QoE 变差后应该先查什么
本站为第三方指南站,本文采用跨厂商方法整理;具体菜单、采集范围和告警能力应以实际平台版本为准。判断 SD-WAN QoE 时,不要把厂商分数当成通用网络标准,而要把它作为发现问题的入口。
| 看到的现象 | 优先查看 | 可能涉及的范围 | 下一步动作 |
|---|---|---|---|
| QoE 分数下降,延迟、抖动或丢包同步恶化 | 站点、链路、隧道和路径变化 | WAN 链路、运营商或隧道 | 比较主备链路与同区域站点 |
| QoE 下降,但链路指标没有明显变化 | 应用响应时间、DNS、认证和云服务路径 | 应用服务器、云服务或终端 | 区分网络传输时间与服务端处理时间 |
| 只有一个终端或用户异常 | Wi-Fi、网卡、浏览器、终端负载 | 局域网或终端 | 与同站点其他终端交叉验证 |
| 同一站点多个应用同时异常 | 出口利用率、隧道、链路可用性 | 站点出口或 WAN | 查看链路状态、路径切换和拥塞 |
| 多个站点的同一应用同时异常 | 共同云区域、DNS、认证和服务状态 | 应用服务或共同上游路径 | 核对应用侧与区域性服务状态 |
告警规则速查卡:语音应用 QoE 低于企业基线,且抖动高于该时段 P95,连续 N 个采样周期触发;QoE 与抖动同时回到恢复阈值以内并保持 M 个周期后关闭。N、M、P95 和最小样本量需要依据平台采样能力与业务基线设定,不应直接照抄其他厂商默认值。
QoE 分数、延迟、抖动和丢包分别说明什么
QoE 分数或健康等级适合回答“哪些应用或站点的体验正在变差”。它通常是平台对多个指标或流量样本的汇总结果,不能替代原始指标。
延迟用于衡量数据传输所需时间,但要先确认平台记录的是单向延迟还是往返延迟。抖动表示延迟的变化程度,对语音和视频更敏感。丢包可能造成实时媒体断续,也可能引发 TCP 重传,使网页和 SaaS 操作变慢。吞吐量需要结合链路利用率、重传、队列和业务时段分析,不能只看线路标称带宽。应用响应时间用于区分网络传输慢与服务器处理慢。
以 Citrix SD-WAN 11.4 的 Application QoE 文档为例,实时应用默认配置包括单向延迟 160 毫秒、抖动 30 毫秒和丢包 2%;交互式应用默认关注每流丢包 1%和预期突发速率 60%。Citrix 将实时应用 QoE 表示为 0 到 10 的分数,并根据满足阈值的流样本比例计算。这里的 160 毫秒是 One Way latency,不应直接与本地 ping 显示的往返时间比较。参见 Citrix SD-WAN Application QoE 文档。
Cisco Catalyst SD-WAN Monitor and Maintain 文档使用 Good、Fair、Poor 和 Unknown 四档,其中 Good 为 QoE 8–10,Fair 为 QoE 5–小于 8,Poor 为 QoE 0–小于 5。由此可见,厂商之间不仅名称不同,边界和计算方式也可能不同。参见 Cisco Catalyst SD-WAN Monitor and Maintain Configuration Guide。
按应用类型设置监控重点和初始阈值
| 应用类型 | 优先指标 | 不宜单独使用的指标 | 告警建议 |
|---|---|---|---|
| 语音和实时视频 | 单向延迟、抖动、丢包、路径切换 | 下载速度 | QoE 与抖动或丢包联动,避免单点尖峰触发 |
| 远程桌面和交互式 SaaS | 往返延迟、丢包、突发率、应用响应时间 | 瞬时吞吐量 | 关注连续交互失败和响应时间趋势 |
| 普通 SaaS | DNS、TCP 或 TLS 建连、首字节时间、云路径 | 单次 Ping | 区分解析、建连、服务端处理和传输阶段 |
| 文件传输和备份 | 持续吞吐量、重传、链路利用率、队列 | 单次测速结果 | 按业务时段观察持续异常和拥塞 |
阈值应分为“发现阈值”和“升级阈值”。发现阈值可以较敏感,用于记录趋势;升级阈值应同时满足持续时间、最小样本量和影响范围条件。例如,单个用户的一次丢包尖峰可以记录但不升级为线路故障;同一站点多个关键应用同时恶化,才适合提升告警等级。
对于没有统一行业阈值的指标,可以使用历史基线:按工作日、周末、办公时段和非办公时段分别统计 P50、P95 或 P99,至少保留业务高峰与低峰两类基线。P95 适合发现高于常态的异常,P99 更适合识别极端尖峰。若某个时段样本量不足,应将告警标记为“数据不足”,而不是直接判定链路异常。百分位和样本门槛是降噪方法,不代表某个平台的固定默认配置。
从零设置 SD-WAN QoE 告警:前置检查、操作、验证和回退
1. 前置检查
- 确认平台是否提供应用视图、站点视图、路径视图、历史趋势和告警通知。
- 确认应用识别已启用,并核对平台支持 IPv4、IPv6 还是两者。Cisco 的应用性能和站点监控要求在相关接口启用 NBAR,以便识别应用;不同版本对应用可见性和配置位置可能不同。参见 Cisco 应用性能与站点监控配置文档。
- 确认 DPI、流量元数据、应用分类和许可证状态。若页面显示 Unknown 或无数据,应先检查采集状态,而不是先提高阈值。
- 确认业务是否经过平台能够观测的覆盖路径。Cisco Analytics 文档明确说明,单站点 Application 360 对经 vEdge 设备 DIA 出口的应用流量不提供统计,因此 DIA 可见性必须按设备类型和实际部署核对。参见 Cisco Catalyst SD-WAN Analytics 文档。
2. 完整配置流程
- 先创建应用组,例如语音视频、交互式 SaaS、文件传输和关键业务。
- 为每个应用组选择需要观察的指标,不要把所有应用绑定到同一个阈值。
- 配置发现条件,包括指标阈值、持续时间、最小样本量和影响范围。
- 配置恢复条件,要求 QoE 与相关原始指标同时回到恢复阈值以内,并保持设定周期。
- 设置抑制规则,将同一链路引发的多个应用告警关联为一个事件,避免产生重复通知。
- 设置维护窗口,并为应用、站点、链路和全局事件分别指定处理人。
3. 通知渠道和升级策略
| 渠道 | 适合用途 | 注意事项 |
|---|---|---|
| 邮件 | 低至中优先级、日报和恢复通知 | 需要配置收件人、频率和去重策略 |
| Webhook | 接入聊天工具、自动化平台或工单系统 | 核对签名、重试、超时和重复事件处理 |
| Syslog | 将事件送入集中日志平台 | 适合检索和关联,不等于业务告警已经升级 |
| SNMP Trap | 接入传统网络监控平台 | 需确认平台是否支持以及事件字段是否完整 |
| API | 拉取告警、做自定义看板或自动化关联 | 需要处理权限、分页、时间范围和告警恢复状态 |
Cisco Catalyst SD-WAN Manager 的官方网络监控文档确认支持告警邮件和 Webhook 配置;Cisco 的 API 文档则提供告警查询接口。Syslog 和 SNMP Trap 是否可用于 QoE 事件,应以所用厂商和版本的通知能力为准,不能因为平台支持网络日志就推断它一定支持完整的 QoE 告警字段。参见 Cisco Alarm Notifications 文档 与 Cisco Catalyst SD-WAN Manager API 文档。
4. 验证清单
- 应用是否被正确识别,是否存在大量 Unknown 或未分类流量。
- 应用、站点、链路和路径页面的时间范围是否一致。
- 触发告警时,是否能同时看到延迟、抖动、丢包、吞吐量和路径变化。
- 告警是否按应用、站点和链路去重,是否仍出现同一事件重复通知。
- 恢复条件是否生效,恢复后是否能自动关闭或标记事件。
- 维护窗口、低流量样本和单一终端异常是否被单独标记。
5. 失败回退
如果启用后没有 QoE 数据,按“应用识别→DPI 或 NBAR→采集状态→许可证→流量路径→时间范围→告警规则”的顺序回退检查。不要把 Cisco AppQoE 优化服务的命令当成 Analytics QoE 分数的通用排障命令;两者属于不同功能。只有在实际启用了 AppQoE 优化服务,并且需要检查该服务状态时,才应按对应版本文档使用专用命令。对于 Analytics 无数据,应优先使用 Analytics、应用监控和设备采集状态页面核对。
跨厂商兼容性检查清单:上线前先核对这 7 项
| 检查项 | 需要确认的问题 | 未确认时的处理 |
|---|---|---|
| 应用识别引擎 | 使用 DPI、NBAR、流量分类还是其他引擎 | 不要把 Unknown 应用当成 QoE 正常 |
| IP 版本 | IPv4、IPv6 是否都能采集应用体验数据 | 分别建立 IPv4 与 IPv6 样本 |
| 数据采集 | 是否需要遥测、流量元数据或特定代理组件 | 先检查采集状态和时间延迟 |
| 许可证和版本 | 应用监控、历史数据、告警和 API 是否受版本或许可限制 | 按当前平台文档核对功能矩阵 |
| DIA 可见性 | 直接互联网出口是否出现在应用视图 | 用实际设备和路径做小流量验证 |
| 指标定义 | 延迟是单向还是往返,丢包按流还是按链路计算 | 在看板中标注单位和计算口径 |
| 告警能力 | 是否支持持续时间、恢复、抑制、邮件、Webhook、API | 先采用平台已确认支持的渠道 |
这张清单的目的不是证明不同厂商功能相同,而是避免把某一家产品的菜单、分数和默认值当成通用规则。Cisco Analytics 可以按应用、站点和网络 KPI 查看体验变化;Citrix Application QoE 则使用自身的实时与交互式应用配置文件。跨厂商比较时,应保留原始指标、样本口径和时间窗口。
QoE 下降后的分层排障顺序
- 先看影响面:单终端、单用户、单站点、多个站点,还是全局异常。
- 再看应用阶段:区分 DNS、TCP 或 TLS 建连、应用服务器处理、数据传输和终端渲染。
- 再看局域网:检查 Wi-Fi 信号、交换机端口、网卡错误、终端 CPU 和本地出口。
- 再看 WAN:对比延迟、抖动、丢包、利用率、队列和链路可用性。
- 最后看路径:核对隧道、策略路由、主备切换、云区域和共同上游。
如果只有一个终端异常,优先检查终端和局域网;如果同一站点多个应用同时下降,优先检查出口、隧道和 WAN;如果多个站点的同一 SaaS 同时异常,优先核对云服务、DNS、认证和共同路径。只有当 QoE 变化与原始链路指标在时间上相互对应时,才更适合把问题升级为线路或路径事件。
常见误区
- 把 QoE 分数当成统一标准:不同厂商的区间和计算模型不同,必须保留原始指标。
- 所有应用使用同一阈值:语音视频、交互式业务、SaaS 和文件传输的敏感指标不同。
- 忽略单向与往返延迟差异:例如 Citrix 文档中的实时应用延迟阈值是单向延迟。
- 用一次尖峰触发高优先级事件:应加入持续时间、最小样本量、百分位基线和影响范围。
- 把无数据当成网络中断:先检查应用识别、DPI、NBAR、许可证、流量路径和平台采集状态。
- 混用 AppQoE 与 Analytics QoE:应用加速服务状态和应用体验评分属于不同监控对象。
常见问题
SD-WAN QoE 分数越高,就代表网络没有问题吗?
不一定。QoE 分数受应用识别、采集范围、样本量和厂商计算模型影响。即使分数较高,也应结合延迟、抖动、丢包、应用响应时间和路径变化判断。
QoE 告警应该先按应用设置,还是先按链路设置?
建议两者结合。应用级告警回答“谁受到影响”,链路级告警回答“可能是哪条路径导致”。实时业务可以使用应用指标与链路指标联动,文件传输则提高持续吞吐量、重传和利用率的权重。
为什么已经启用监控,QoE 页面仍然没有数据?
先检查应用识别、DPI 或 NBAR、许可证、数据采集状态、时间范围和实际流量路径。部分平台对 DIA 出口、设备类型、IPv4 或 IPv6 可能存在可见性限制,页面无数据不能直接判断线路中断。
延迟、抖动和丢包应该使用什么统一阈值?
没有适用于所有应用和所有厂商的统一阈值。可以把厂商文档中的默认值作为配置起点,但必须结合应用类型、单向或往返口径、业务基线、样本量和持续时间调整。
QoE 下降但链路丢包正常,下一步看哪里?
依次检查应用响应时间、DNS、认证服务、云服务区域、终端和局域网。如果只有一个终端异常,先排查 Wi-Fi、浏览器和本地资源;如果多个站点的同一应用同时异常,应核对应用服务或共同云路径。
邮件、Webhook、Syslog、SNMP Trap 和 API 应该怎么选?
邮件适合人工通知,Webhook 适合接入工单或自动化平台,Syslog 适合集中检索,SNMP Trap 适合传统网络监控系统,API 适合自定义看板和事件关联。是否支持 QoE 级别的字段和恢复事件,需要按实际厂商与版本核实。