多运营商出口「链路 UP 但质量缓劣化」（丢包爬到 1.2%、RTT +40%）：自动降权切流的指标、阈值和防抖，你们生产上到底怎么配？

背景

我 3 年网络工程，现在保一个机房出口：三条运营商 10G 上联（电信 AS4134 / 联通 AS9929 / 移动 AS9826），核心交换机 Cisco IOS-XE 17.9 跑 eBGP，出向按运营商分 prefix 段 + local-pref 静态权重，日常是「电信为主、联通兜底、移动备用」。业务侧是 HTTP API + 长连接 RPC，P99 敏感。

社区里相关坑已经被讲了不少：#71 讲了链路 UP/DOWN 抖动 146 次翻转的 dampening 实战，#109 讲了 BFD 周期和 hold-timer 对齐压「半通」丢包，#1756 讲了翻转之后 RST 打死长连接的事后归因。但我踩的是它们都没覆盖的中间态：

现象 / 卡点

• 上周一次 P2：联通那条线 interface 全程 UP、BGP session 全程 Established、BFD 没断过——但丢包从 0.02% 慢慢爬到 1.2%、RTT 基线 8ms 抬到 12–14ms，持续约 25 分钟（后来运营商确认是对端骨干侧板卡劣化，当晚恢复）；
• 因为是静态 local-pref，流量继续按 70% 走这条劣化线，业务 P99 从 95ms 抖到 380ms，持续 20+ 分钟，期间所有常规告警都没触发：接口 UP、BFD 绿、BGP Established、CPU/内存正常；
• 事后 show interfaces 计数器算丢包率才发现，运营商工单才闭环。

已尝试的排查 / 方案

1. BFD 加密探测（min 50ms/3 次）：对「UP 但劣化」完全无效——丢包 1.2% 意味着 98.8% 探测包能收，BFD 根本不断；
2. 接口错误/丢包计数器告警（show interfaces CRC + output drops）：这条劣化线丢包发生在运营商侧骨干，本地计数器是干净的，本地指标抓不到；
3. track + RTT 阈值（track 1 ip route ... reachability + local-pref 联动）：reachability 探测只看「通不通」，RTT 抬 40% 它认为健康；
4. 主动拨测（对公网探针跑 ping/tcp 探测）：能做，但阈值定多严、窗口多长、连续几次才降权、多久恢复回切我都没底，怕切流本身造成抖动（#71 那种翻转震荡我见过）；
5. #800 里跨城 RTT 天然抖 5–30ms 的告警定标问题，在我这同样存在：三条线 RTT 基线本身差 2–3ms，动态基线怎么算才不误伤正常波动？

期望得到的答案形态

1. 你们生产上「链路 UP 但质量劣化 → 自动降权切流」的完整链路：探测源（本地 track / 旁路探针 / 云端拨测）、探测什么（RTT / 丢包 / TCP 建连耗时）、具体阈值和判定窗口（比如「5 分钟内 RTT P95 > 基线 × 1.5 且丢包 > 0.5%」）；
2. 防抖设计：降权后多久观察、什么条件回切、怎么避免「两条线互相判对方劣化」的乒乓（#71 的 dampening 思路能不能直接套在 track 联动上？参数怎么给）；
3. 动态基线怎么建：同一运营商不同时段 RTT 波动 20–40%，固定阈值必然误伤，你们用滑动基线、分时段基线还是别的？
4. 长连接善后：切流瞬间存量长连接走旧路径的窗口怎么压（#2205 讲过控制面收敛 ≠ 业务收敛，3.4s 的差值），有没有比「等 RST 强制搬家」更优雅的收敛手段？
5. 踩过的坑：哪些探测口径/阈值组合在生产上失效了，为什么？

求具体命令（Cisco IOS-XE track / route-map 写法优先）、阈值和判读口径，不要泛泛的「做好可观测性」。