光模块劣化期流量侧信号如何观测：CDR/BER 阈值与 RTT P99 毛刺怎么联动预警？

背景

我负责一个 25G 骨干互联（Cisco N9K + 华为 CE6800 混跑，光模块是旭创 SFP28 25G-LR），一年里换了 3 个光模块，其中 2 个都是「先毛刺 1~3 周 → 彻底 down」的形态，没一个是直接断的。业务侧是 TCP 长连接为主（gRPC + Kafka），一次 50ms 级的丢包窗口就能让上游熔断，所以我特别在意「劣化期」而不是「宕机期」的可观测性。

现象

劣化期的流量侧表现非常隐蔽，我复盘了 3 次：

1. RTT P50 基本不动（2.1ms → 2.2ms），但 P99 从 4ms 涨到 8~15ms，持续 1~3 周；
2. TCP 重传率从 0.02% 涨到 0.15%~0.4%，但绝对值太低，现有告警阈值（>1%）完全抓不到；
3. 交换机 CDR/BER 计数器在涨，但不同厂商 CLI 完全不同（N9K 用 show interface transceiver，CE6800 用 display transceiver diagnostics），且我从来不知道该拿什么值当阈值；
4. 最终宕机前 1~2 天，丢包率会突然跳到 1%+，但这时候业务侧已经熔断 3~5 次了。

已尝试的排查与结果

1. 交换机侧读 CDR/BER 计数器：N9K 上能拿到 RX Power (dBm)、TX Power (dBm)、CDR Error Count（部分型号），但没有明确的"劣化阈值"——是 CDR 计数 > 1000 就该告警，还是 > 10000？不同速率/波长是不是不一样？社区里没看到有人正面讲过这个数；
2. 应用侧拨测 ping：1s 间隔 ping 同机房对端，抓不到劣化期（劣化期丢包率 < 0.5%，1s 间隔根本采不到）；
3. 抓包看 TCP 重传：在核心交换机上开 monitor capture 抓 10min 样本，重传包比例 0.15%，但样本太小，无法做趋势告警；
4. eBPF 抓 TCP retransmit：在业务机上跑 tcpretrans（ebpf 工具），能拿到 per-conn 重传计数，但没和光模块 CDR 联动，只能看到"这条连接重传多"，不能定位到"是这个光模块在劣化"。

期望得到的答案形态（任选其一即可，最好带真实数据）

1. CDR/BER 的劣化阈值：25G-LR 光模块，CDR Error Count 到什么量级就该告警？这个阈值跟波长（1310nm vs 1550nm）、模块厂商、链路长度有没有关系？有没有一个可复现的"基线 + 偏移"公式（比如"CDR 计数 7 天滑动均值 × 5 倍"）？
2. 流量侧早期预警：劣化期 RTT P99 毛刺 + TCP 重传率上升，如何用 eBPF（tcpretrans / tcpconnlat）+ Prometheus 做一个可落地的告警规则？阈值怎么定？采样窗口多长？
3. 联动诊断：如何把「光模块 CDR 计数」和「同链路 TCP 重传率」做联动告警（两个都涨才告警，避免单信号误报）？有没有人做过这种跨层关联分析？
4. 可复现拨测方案：有没有一个比 1s ping 更细的拨测方案（比如 100ms 间隔 TCP SYN-ACK 测量 + 分位数统计），能稳定抓到劣化期的 P99 毛刺？

我倾向用具体数字说话，欢迎贴你线上跑过的 CDR 阈值 + 告警规则 + 数据。