许可服务器一天几十条报警，先别急着加License——大概率是“鬼”在占着

早上一开邮箱，四十七条“License server busy”。点开一看，全是同一个feature，同一批用户，时间戳集中在八点四十到九点十分。你第一反应是池子不够，该加买了。停。 FlexNet那个TIMEOUT机制，你以为是“人不在就回收”，它实际上只管一件事：TCP连接断没断。客户端软件只要还在发心跳，服务器就认为这个会话是活的，哪怕那个人早上开了NX就去开晨会、去抽烟、去车间转了一圈，feature照样被锁着，心跳照发，TIMEOUT连触发都不触发。你看到的报警不是“容量不够”，是“有人在替不干活的人排队”。告警多和资源少之间，隔着僵尸会话和阈值误报两层东西，不拆开看，加多少都是往漏水的桶里倒。

僵尸会话的技术本质不是“用户忘了关软件”，是许可管理器的心跳判定和业务场景的“人在不在用”根本就不是一回事。FlexNet原生能做的只有软回收：在license.dat的VENDOR行后面加TIMEOUT Feature_Name Seconds，客户端在设定秒数内没有任何通信，服务器把许可收回池子。注意，是没有任何通信。NX用户最小化窗口去想方案，鼠标键盘停了，但ugslmd进程和服务器之间的TCP没断，TIMEOUT不认。反过来，VPN抖一下，一个正在跑Fluent求解的会话可能因为短暂断连被直接踢掉，解算进度挂在那儿没人管。这就是原生机制的死角：它判断“网络通不通”，不判断“人在不在算”。所以软回收的TIMEOUT值在工业场景下不能拍脑袋。普通交互绘图，设个1800秒到3600秒还能凑合；仿真类feature，尤其是Ansys那种求解器后台跑几个小时不产生键鼠事件的，TIMEOUT必须拉到7200秒以上甚至直接排除，不然第一个误杀的就是你们CAE组最贵的那个计算任务。硬回收lmutil lmremove更得克制，它是强制切断TCP连接、释放许可，用在已经确认僵死的会话上可以，但命令行里-h和-c两个参数写错一个，踢掉的可能就是一个正在出图的总工。

告警那边的问题比僵尸会话还脏，因为无效告警会把有效告警淹掉。同一个feature，五台机器同时报“cannot obtain license”，根因只有一个——池子被占满了。但这五条告警如果每条都触发邮件、每条都进工单，值班的人第三天就开始全部标记已读，真正的“vendor daemon down”漏过去也没人发现。去重和聚合是两件事，别混着用。去重是按指纹把同一件事的重复上报合并，同一feature同一错误码五分钟内只留一条，通知里带“重复N次”就行；聚合是把窗口内的同类告警压成一条摘要，比如“过去十分钟内NX设计token不足告警，影响用户7人”。抑制和静默更得分开：抑制用于因果压制，比如ugslmd守护进程挂了，所有依赖它的feature报错都不用发，根因一条就够了；静默只给已知窗口用，比如你计划在周六上午做lmreread重读许可文件，那之前先挂静默规则，别让配置重载的瞬时报错把整个值班群刷一遍。但静默规则写宽了比不写还危险，匹配条件不带feature名、不带服务器名、不给到期时间，等于把真实故障也静音了。还有一个很多人没意识到的事：所有收敛参数必须可复核。为什么某条告警没通知出去，事后得能翻到当时命中了哪条去重指纹、哪条抑制规则。翻不到，你这个告警体系在审计面前就是黑箱。

指标不用多，四个够了，但每一个都得能往下钻。有效告警率——总告警里真正对应了用户报障或者denial日志的占比，低于三成就说明你的规则在制造噪声而不是在发现问题。重复告警数——同一个feature、同一个根因，在一周内反复触发了多少次，这个数字不降，你收得再干净也是白收。僵尸会话关闭量——按feature和部门拆开，关掉的是“确认闲置”还是“被误判”，误判率单独记。平均响应时长——从告警发出到有人认领，按级别分开算，P0的守护进程宕机和P2的阈值提醒混在一起算平均没有任何意义。单个指标好看不说明问题，你得看关键业务有没有因为回收动作排队、异常样本有没有被误杀、每一条关闭的会话有没有回读lmstat确认释放。效率、体验、风险三个东西同时在一个你能接受的范围内，才算数。

最后说一个模具厂的NX事。四十八个浮动许可，早高峰设计部天天喊不够，采购已经在走加买流程了。IT留了个心眼，先挂了两周只读监控，不配任何回收策略。数据出来之后两件事很清楚：高峰期实际并发只到三十一个，但lmstat显示池子里被拿走的稳定在四十以上；午休十二点到一点之间，至少十五个会话的start time是早上八点多，中间没有任何check-in记录。典型的“开了NX去食堂，心跳替人排队”。他们做的第一版回收策略很粗暴：定时任务每小时扫一次闲置超过三十分钟的NX会话，直接lmremove。第二天就出事了——一个设计师开了个五百多零件的装配体，在等Regenerate，手没动，三十分钟到了，许可被硬切，上下文丢了，重连之后NX以为首次启动，半天的轻量化白做。后来改了两条：闲置判定加应用层状态，检测到当前session有活跃的装配体或求解进程，阈值自动拉到六十分钟，只发轻量提醒不冻结；回收走分级，先弹窗提醒，再挂起保存状态，最后才lmremove，而且lmremove只对确认TCP已死或者超过四小时无状态变化的会话执行。调整之后，高峰期可用并发从三十一提到四十七，一个许可没加。这件事的关键不是他们用了什么高级工具，是他们终于把 “TCP活着”和“人在算着”分开了——分不开，告警永远在报，池子永远不够，你永远在买License的路上。