上周三凌晨两点，网络核心交换机端口Gi1/0/24的日常CRC错误计数又跳了。我盯着Zabbix上的巡检那条红色曲线，心里清楚得很——这已经是记录这个月第三次了。每次都是网络同一个端口，每次都是日常凌晨。白天业务高峰时风平浪静，巡检一到深夜就开始丢包。记录换了模块，网络故障依旧。日常后来查了机房空调的巡检出风方向，正对着那台交换机的记录散热孔。温度骤降，网络板卡上的日常PHY芯片时序漂移，链路协商就出问题。巡检这事写进巡检表里，就一行字：“Gi1/0/24 CRC错误，已调整机柜送风角度，观察中。”可这一行字的背后，是三个不眠夜。
巡检表不是拿来看的，是拿来用的。我见过太多人把巡检当打卡，勾勾选选，五分钟填完一张表，连设备指示灯都不扫一眼。去年有个客户，核心防火墙的HA状态在巡检表上连续三个月写着“正常”。结果真出故障了，备机根本没接管，一查才知道心跳线早断了。巡检的人压根没登录过备机，只看前面板灯亮着就打了勾。那张表填得漂漂亮亮，一点用没有。
我自己的巡检表分三块。第一块是硬指标，必须用命令查，不能靠肉眼。比如CPU利用率，我要求记录具体数值，不是写“正常”。内存剩余量要精确到MB。接口错包计数要对比上一次巡检的数值，看增量。有一次发现某台接入交换机的光模块收光功率从-8dBm慢慢掉到-19dBm，表上趋势很明显。提前换了尾纤，避免了一次链路中断。这种渐变数据，只有连续记录才能看出来。
第二块是环境。机房温度、湿度、UPS负载率、电池组电压。这些东西平时没人管，出事就是大事。前年夏天，一个边缘机柜的空调排水管堵了，冷凝水渗到地板下，把PDU的绝缘层泡软了。巡检时闻到一股淡淡的焦糊味，顺着找过去才发现。表上记的“机柜下方有异味，已报修空调”，后来维修单上写的是“排水管藻类堵塞，清理后恢复”。要是那天没去现场转一圈，后果不敢想。
第三块是配置比对。每次巡检，我都会把关键设备的配置导出来，跟上一周的做diff。有人觉得多余，设备又没人动，配置怎么会变？可现实是，一个误操作、一次临时调试忘了回滚、甚至厂家远程支持时改了一个参数，都可能埋雷。上个月就发现一台路由器的OSPF cost值被改过，问了半天没人承认。后来查日志，是两周前一次割接演练时改的，演练完了没人恢复。表上写“OSPF cost与基线不符，已恢复”，就这一句，省了以后多少扯皮。
巡检的频率也有讲究。核心设备每天一次，接入层每周一次，那些放在弱电井里、三年没人看过的交换机，至少每月要跑一趟。别信什么“设备稳定就不用管”，电子元件会老化，风扇会积灰，电源会漂移。我见过一台用了七年的交换机，电源模块的输出电压从12V慢慢降到11.2V，设备还能跑，但已经开始丢包了。巡检表上记录“电源电压11.2V，低于阈值12V±5%，建议更换”，换了电源，故障消失。
填表的人得懂技术，不能随便找个值班的应付。看不懂show interface的output，不知道CRC和input error的区别，那填出来的表就是废纸。我要求每个巡检的人，发现问题必须写清楚三件事：现象、影响范围、初步判断。别写“端口有问题”，要写“Gi1/0/5 input errors持续增长，影响下挂的AP，怀疑网线老化”。这样后面接手的人才知道从哪下手。
最后说一句，巡检表别用电子表格随便糊弄。用个带时间戳和版本管理的系统，每次提交自动生成记录，谁改的、什么时候改的、改了什么，一清二楚。纸质的也行，但得签字，得归档。我见过太多人巡检完了随手一扔，真出事了翻箱倒柜找那张纸。找不到，就等于没巡检。