老王VPN季度可用性通报：中断时长压缩到4.7分钟

2026年10月8日，老王VPN 发布第三季度可用性通报：7 月至 9 月累计服务中断 4.7 分钟，故障平均恢复 38 秒，晚高峰 20:00 至 23:00 的可用率 99.998%。通报覆盖 214 个接入节点与 38 个出口，统计口径为「用户无法建立新连接或已有连接中断超过 10 秒」，与上一季度保持一致，便于横向对比。口径说明附在通报末尾，历史季度可在关于页下载，数据保留两年。

这是老王VPN 连续第三个季度公开中断台账。运维团队把可用性拆成三个指标分别考核：入口可达率、出口成功率、骨干丢包率，任一指标低于阈值 30 秒即计为一次事件。第二季度的中断时长为 11.3 分钟，本季度压缩到 4.7 分钟，主要来自故障切换逻辑的改造，人工确认环节从 3 步减到 1 步。三项指标的权重相同，任一越线都会被记录，并按事件编号归档，方便逐条对照。

季度中断台账

第三季度共记录事件 9 起，其中影响超过 60 秒的 2 起，合计 3.1 分钟；其余 7 起均在 40 秒内恢复，合计 1.6 分钟。按地区看，香港入口 1 起、东京入口 2 起、新加坡入口 1 起、法兰克福入口 1 起，出口侧 4 起。最长一次中断发生在 8 月 19 日 21:14，持续 1 分 52 秒，影响 2.3 万用户，占当时在线数的 6.4%。台账按事件编号排列，每起事件都标注了根因分类与影响用户数。

两次故障复盘

8 月 19 日的事件由香港出口的边界路由会话震荡引起。升级维护后有两条 BGP 会话未按预期收敛，流量在两条路径之间反复切换，触发入口侧的连接保护。处理方式是把该出口整体摘除，流量切到新加坡，1 分 52 秒后恢复。改进项是给边界路由加上变更后的 5 分钟观察窗口，观察期内不允许第二条会话同时变更。观察窗口结束后才允许下一次变更，变更单需双人确认。

9 月 6 日的事件发生在东京入口，原因是单台汇聚交换机的光模块温度过高自动降速，导致该入口的 UDP 转发队列积压。监控在 26 秒时触发告警，值班工程师手动切流，38 秒恢复。此后入口侧增加了队列水位与光模块温度的双阈值告警，任一指标越过 80% 即提前介入，不等用户侧报障，也不依赖单一监控源。双阈值告警在 9 月中旬上线，覆盖全部 214 个入口与 38 个出口。

「我们不追求把故障降到零，那不现实。能做的是把发现时间从分钟级压到秒级，把切换动作从人工改成自动，剩下的人工只负责确认。」—— 运维总监 黄启明

监控与演练改了什么

监控侧新增 46 个探测点，覆盖 12 个城市的三大运营商，探测频率从 60 秒改为 15 秒；告警收敛规则从「按节点」改为「按地区」，避免一次骨干抖动触发上百条重复告警。演练侧从每季度 1 次改为每月 1 次，内容包括出口整体摘除、DNS 劫持模拟、入口 UDP 队列打满三种场景，最近一次切换耗时 22 秒。探测点覆盖移动与固网两类线路，三大运营商各占三分之一，每日轮换探测时段。

「以前切换靠人盯屏幕，现在脚本先切、人再确认。9 月那次东京故障，从告警到流量切换完成只用了 31 秒，比我手动操作快了将近一分钟。」—— 值班工程师 罗晨

值班流程也做了调整。原先告警先到值班群，再由值班工程师判断是否需要切换；现在脚本先执行预切换，把 20% 流量导向备路，人工只需确认是否继续。9 月那次东京故障，从告警到流量切换完成用了 31 秒，比手动操作快了将近一分钟。为避免误切，脚本只在两项指标同时越线时触发，并保留 15 秒撤回窗口。预切换的脚本每季度复核一次，改动需经过演练验证，未验证的脚本不允许进入生产。

第四季度的目标是累计中断控制在 3 分钟以内，并把出口切换的全自动比例从 70% 提到 95%。为此还需要解决两个问题：一是备路的容量是否足够承接主路的全部流量，二是跨运营商切换时的 DNS 缓存时间。前者靠预留 30% 带宽解决，后者计划把 TTL 从 60 秒降到 30 秒，减少切换后的解析延迟，也让回切更快。TTL 调整先在两个出口试点，观察一周后再全量，回切同样保留 15 秒窗口。

完整的监控指标与历史台账会在每季度结束后 10 个工作日内更新，用户可在关于页查看季度摘要与改进项状态。遇到连接异常时，可以先在客户端诊断页确认是入口不可达还是出口失败，再决定是否手动切换地区；如果同一地区连续两次失败，诊断页会给出建议入口，并附上最近一次切换的时间与耗时。诊断页的数据保留最近 30 天，可以导出后交给客服核对，导出格式为 CSV。