高速光链路出现吞吐抖动时，不建议一开始就更换全部模块和光纤。先固定现场、建立时间线，再按物理层到业务层逐级排查，才能知道真正的故障点。
第一步，保存端口和模块快照。记录两端设备、端口、速率、通道分拆、实际FEC、自动协商状态、模块识别信息、序列号、温度与运行时长。交换机侧可使用对应系统的收发器查看命令；在支持的NVIDIA Cumulus Linux环境中，可通过NVUE查看平台收发器信息，也可使用ethtool读取模块诊断数据。
第二步，核对双向DOM。分别记录A端TX、A端RX、B端TX和B端RX。A端TX应与B端RX形成一组，B端TX应与A端RX形成另一组。不能只凭某个数值判断好坏，应依据具体模块的告警阈值、链路距离、连接器数量和光纤类型评估。若读数为零，还要确认模块是否实现了相应监控字段。
第三步，检查FEC。确认两端实际启用同一种纠错方式。FEC可纠正错误在高速链路上可能出现，关键是增长速度、负载相关性和历史基线；不可纠正码字、有效BER异常或CRC增长更值得立即处理。清零计数前先保存原值，清零后用固定流量持续观察，避免把多年累计值与短时故障混在一起。
第四步，检查物理连接。关闭或隔离链路后，使用合适工具检查并清洁端面；核对连接器类型、极性、跳线规格、插入深度和弯曲半径。模块温度过高时，还应检查风道、端口密度和环境温度。不要用肉眼直视光纤端面。
第五步，执行单变量替换。先换已知正常跳线，再换模块，最后换端口或对端；每次只改一项，并复用相同的包长、流量方向和持续时间。若错误随模块移动，优先定位模块；若固定在端口或路径，则检查端口、配线架和中间连接。
最后做业务回归。单纯的Ping不能覆盖高速并发压力，应结合持续带宽、丢包、尾延迟以及RDMA或NCCL测试。将光功率、温度、FEC、BER、CRC和应用指标对齐到同一时间轴，才算完成可复现的故障闭环。
在自动化巡检中，建议保留原始命令输出而不是只保存"正常/异常"结论。脚本可以计算相邻采样点的增量，对FEC、CRC与链路重训练建立速率告警，同时记录流量计数，避免把高负载下的正常增长与空闲状态直接比较。
如果链路经过配线架或中间跳接，应把每个连接点写入路径记录。直连正常、经过配线架异常时，可以缩小到中间连接器、极性或跳纤；只有在更换模块后错误随模块移动，才有较强证据指向模块本身。