阿里巴巴面向大规模部署和运营的 SONiC 开发

阿里巴巴集团工程总监王国辉面向大规模运营的 SONiC 开发经验分享

阿里巴巴与 SONiC 社区

• 阿里巴巴于 2017 年加入 SONiC 社区，积极参与贡献，包括 TACACS、VLAN 中继、声波遥测、SWSS 热重启、SysDB 和路由性能优化等。
• 在生产中采用 SONiC 的实践包括遥测双上行链路支持、AliCLI 授权、RDMABGP 增强，以及通过开放平台进行配置、监控、维护、故障恢复、软件升级和迭代。

使用结构化 API 进行配置管理

• 传统基于 CLI 的配置难以解析、编程和验证，而结构化 API（gRPC）易于建模、编程和验证，显著降低 BGP 邻居 AS 号更新操作的时间（API 延迟从秒级降至毫秒级）。
• 配置管理架构包括：
  • 使用结构化 API 进行配置更新，轮询检查 VLAN、端口、ACL、开关、BGP、RPS、Syslog、FEC、MTU 等。
  • 配置模型检查、身份验证、白名单键、虚拟数据库路径、gNMI 服务器、NonDB 客户端、DB 客户端等。

传统设备监控与基于事件的设备监控

• 传统设备监控存在长延迟、结构不灵活、遗留代码等问题，包括：
  • 每 5 分钟进行一次 SNMP 轮询检查。
  • Syslog 数据嘈杂，难以分析。
  • 黑盒监控，无内部软件状态。
• 基于事件的设备监控优势：
  • 实时推送通知，通过 Event 收集器/分析器、MonitorD、gRPC 拨号客户端、syslog 过滤器等实现。
  • 结构化事件，应用容器化，SysMonDB 提供更详细的软件状态。

SONiC 多 DB 优化

• 单实例 RedisDB 是系统瓶颈，SONiC 通过多数据库实例重构：
  • 构建时支持多实例数据库配置。
  • 数据库客户端和实例动态绑定。
  • 独立数据库实例用于路由/监控/管理，路由安装性能提升 50% 以上。

维护示例：设备隔离

• 破坏性设备隔离：
  • 链路关闭后大量数据包丢失，无交换机和服务器的协调。
• 优雅的设备隔离：
  • 平稳的流量故障转移和设备维护。
  • 通过自定义协议协调交换机和服务器事件。

软件升级

• 通过 Docker 和系统热重启实现无中断软件升级。
• 从热修复/冷修复到模块化软件升级，基于 Debian 包和 Docker。

使用 AliNOS 仿真器实现更快的迭代

• 仿真前面板端口和应用场景：
  • QEMU-kvm + ONIE x86_64-kvm。
  • SONiC + VM 特定平台模块，SDK/SAI + vASIC 仿真模型。
• 完全虚拟化的 SONiC 设备用于开发和集成测试、操作演练、软件验证和故障排除。

经验教训

• 故障监测和实时检测是关键。
• 危险在灰色地带，自动化测试和操作演练加速迭代。
• 棘手问题来自平台/固件/硬件-软件互操作性问题。

呼吁采取行动

• 构建具有强大操作支持的 SONiC：
  • 操作工装：故障处理、故障排除。
  • 软件驱动的管理界面。
  • 系统和网络可见性。
  • 版本控制和软件迭代。