TikTok 团队的网络问题大多不是突然发生的，而是慢慢劣化的：出口抖动从偶尔一次变成每天几次，丢包从 0.1% 爬到 1%，延迟悄悄涨了 20ms。这些劣化在人工巡检里很难被发现，因为人只在出事时才去看。TikTok 出口链路自动巡检的目标，是把"出事才查"变成"定时量、持续看、异常就报"，让链路质量始终处在可观测状态。本文讨论 TikTok 出口链路自动巡检的设计与落地。
一、TikTok 为什么需要出口链路自动巡检
人工巡检永远慢半拍
TikTok 直播或上传中断后，运维才登录上去 ping、traceroute、看监控，往往已经影响了十几分钟的业务。等定位到是某条出口的清晨劣化，劣化窗口已经过去。TikTok 自动巡检的价值不是替代人，而是把"有没有问题"这件事提前到业务感知之前。
劣化比中断更隐蔽
TikTok 出口完全断掉反而容易发现，真正麻烦的是半死不活的链路：能通但丢包、能连但抖动大、测速正常但晚高峰卡。这类问题只有持续采样才能暴露，人工抽查几乎不可能覆盖到。
二、TikTok 自动巡检的五个核心检查项
| 检查项 | TikTok 关注指标 | 采样方式 | 异常阈值 | 风险等级 |
|---|---|---|---|---|
| 连通性 | 到 TikTok 目标的可达性 | 定时探测 | 连续 3 次失败 | 高 |
| 延迟 | RTT 与晚高峰涨幅 | 分钟级采样 | 涨幅超基线 30% | 中 |
| 丢包 | 上下行丢包率 | 持续统计 | 超过 1% | 高 |
| 抖动 | 延迟波动方差 | 滑动窗口 | 方差超阈值 | 中 |
| 带宽达标 | 实测速率与签约比 | 周期测速 | 低于签约 80% | 中 |
连通性检查要区分"目标不可达"和"探测源故障"
TikTok 巡检探测失败时，第一反应不应该是"出口挂了"，而要先确认探测机本身是否健康。很多误报告警来自探测脚本所在的机器网络异常，而不是 TikTok 出口真有问题。好的巡检会先自检探测源，再下结论。
带宽是容易被忽视的检查项
TikTok 出口"能通"不代表"够快"。签约 100M 的链路如果长期只跑出 60M，说明上游或本地存在限速、拥塞或配置问题。TikTok 团队应把带宽达标率纳入巡检，而不是只看连通性。
三、TikTok 巡检频率与告警策略
不同指标用不同频率
TikTok 连通性适合分钟级高频探测，延迟与丢包用 5 分钟粒度足够，带宽达标可以每天两次。把所有指标都设成一分钟一次既浪费资源，又会产生大量噪声。频率应当与指标变化速度匹配。
告警要分级而不是一刀切
TikTok 团队应把告警分成提醒、预警、故障三级：丢包偶尔到 0.8% 只是提醒，连续超过 1% 升级预警，连通性连续失败才触发故障。把所有异常都当故障报，结果就是没人看告警。
四、TikTok 巡检结果如何驱动处置
- 提醒级：记录趋势，周报里体现，不直接介入；
- 预警级：通知负责人，准备切换或扩容预案；
- 故障级：自动切换备用出口，并同步业务方；
- 误报级：确认是探测源问题后抑制，避免污染数据；
- 持续级：同一出口反复预警，列入退役评估清单。
TikTok 巡检的终点不是出报表，而是形成处置动作。没有处置闭环的巡检只是漂亮的图表，对业务没有实质保护。
五、TikTok 自动巡检的三个常见误区
- 误区一："探测通就等于业务好"——到中转节点的连通性正常，不代表到 TikTok 终端的体验正常；
- 误区二："告警越多越安全"——噪声会淹没真正的故障，分级比数量重要；
- 误区三："巡检只测不修"——巡检发现的问题若不进入处置流程，等于没发现。
六、总结
TikTok 出口链路自动巡检的本质是把网络质量从"出事才看"变为"持续可观测"。核心检查项覆盖连通性、延迟、丢包、抖动与带宽达标五类，其中连通性要判断探测源自身是否健康，带宽达标率比单纯连通性更能反映真实体验。巡检频率应随指标变化速度分级，告警要分提醒、预警、故障三级避免噪声淹没故障。巡检结果必须进入处置闭环：提醒入周报、预警做准备、故障自动切换、误报主动抑制、反复预警列入退役评估。三个误区是只看连通性、告警越多越安全、只测不修。需要了解各区域 TikTok 出口的实测延迟与丢包基准以便设定合理阈值时，可到 tiktokjiasu.com 的节点专区查看说明。
如果你在为 TikTok 业务搭建出口链路的自动巡检体系，可访问 tiktokjiasu.com 查看各区域节点的延迟、丢包与带宽基准数据，据此为你的 TikTok 巡检设定贴近真实的异常阈值；实际配置与价格以官网实时页面为准，建议先上线连通性与丢包的高频探测，再逐步补充抖动与带宽达标检查，并把告警分级与切换预案一并落地。
