论文阅读：Blink-Fast Connectivity Recovery Entirely in the Data Plane

1、背景

在网络中，链路故障的发生在所难免，为了降低故障带来的影响，就需要重新路由，将数据传输到合适的链路上。当因为链路故障发生处的不同，也有不同的解决方法。

AS（Autonomous System）内发生的故障如下图：

这种情况有现有的如下几种重路由方案：

上述的几种重路由可以达到亚秒级的重路由

如上几种重路由的方法有两个共同点：

快速检测：硬件信号通告；
快速恢复：使用预先计算的备份链路，而不是重新来计算链路；

2、要解决的问题

当故障发生在AS外时，如下图所示：

现有也有几种解决方案：

SWIFT是优化了BGP的解决方案，SWIFT为了缩短收敛时间，利用一些已更新的BGP更新（例如，它们共享相同的AS-PATH）这一事实，从收到的一些BGP更新中预测了整个远程失败的程度。但是，SWIFT的基本问题是，在相应的数据平面故障后，而第一次BGP更新可能需要O（分钟）才能传播。

综上，现有得方案在解决远程故障是很缓慢的，所需要的时间是分钟级，主要原因是要靠控制面来驱动重路由。

3、Blink

Blink:一个数据驱动的快速重路由框架，并基于可编程数据平面构建，目的为了实现远程故障亚秒级的收敛。

Blink利用TCP事件信号直接在数据平面上检测故障的发生。

TCP流在中断时表现的可预测的行为：在时间上按指数间隔反复传输相同的报文，而当多个流混合时，TCP流中断的重传行为变会变成明显的故障特征信号。

4、关键挑战

1.数据平面的资源有限。无法跟踪所有的TCP应用流，如果采用随机采样，那常常会导致跟踪到无用流，例如传输很少的流；
2.如果只发生暂时的拥塞，对任何重传的报文进行重新路由，那么可能会导致适得其反的流量变化，需要区分短暂的拥塞和链路故障。
3.数据平面的故障信号并不提供发生故障的根本原因，如果在重新路由是不协调的路由决策，那么很容易导致一些问题的发生，例如：路由黑洞，环路，振荡。

5、解决思路

1.使用流抉择器来解决跟踪流问题，该抉择器会自动驱逐不活动的流并将其替换成活动的流。因为活跃的流几乎会立即重传，而不活动的流可能根本不会重传。
2.即使没有网络故障，短暂的拥塞也会导致TCP重传。Blink系统主要对破坏性事件作出反应，不受噪声和常规协议的影响。如下图所示
3.随着TCP重传数量随着时间逐步减小，Blink系统在第一个TCP重传过程中，捕获到故障信号。
数据平面重路由对于转发的正确性，只能通过尝试和观察来判断重路由的正确性，以数据驱动的方式来备份下一跳，验证流量是否恢复。

附录

论文地址：https://www.usenix.org/conference/nsdi19/presentation/holterbach
github源码地址：https://github.com/nsg-ethz/Blink