先说一个反直觉的事。
很多人以为浮动许可不够用,是买少了。翻一遍 license server 日志,十有八九会发现另一幅画面:池子里一多半的号,根本没人在真正用。
FlexNet 体系下,浮动许可的底层逻辑其实很简单:用户打开软件,客户端向 license server 发一个 checkout 请求,服务器从池子里拿一个 feature 给他,用完 checkin,还回去。听起来很合理。问题出在“用完”这两个字上。FlexNet 认的不是“人还在不在电脑前”,它认的是会话有没有正常结束。软件崩溃、电脑休眠、强杀进程、甚至笔记本切个 WiFi 重连,checkout 都可能不触发归还,许可就一直挂在那个已经死掉的会话下面。行业里的说法很直白:Checkout 绑定的是会话,不是人。
这就是浮动许可利用率上不去的技术底子。不是采购部门买错了,也不是工程师故意占坑,是这套机制在默认状态下对“闲置”几乎没有感知能力。2026 年的行业数据摆在那里:企业浮动许可的平均实际利用率只有 30% 到 50%,跑 FLEXlm 或 RLM 的中型制造企业里,25% 到 40% 的许可处于“占而不用”的状态。
第一个把利用率拉低的,是数据从一开始就对不上。 采购手里有合同和授权数量,IT 管着 license server 和客户端,业务部门知道谁在用、用什么模块。但这三套东西经常不在一个口径上。你用 lmutil lmstat 拉一次实时状态,看到的是“谁检出了哪个 feature、从哪台机器、检出了多久”。可如果你拿这个清单去对 IT 的资产台账,会发现有些机器名压根不在资产表里——挂在报废机器或者离职员工旧电脑上的死锁许可,放着不管,挂一年都不会自己释放。授权量、安装量、登录人数、并发量,四个数混在一起算出来的“利用率”,没法支撑任何决策。
第二个坑更隐蔽:平均值会把真实矛盾盖住。 一套 CATIA 或 ANSYS 的月均利用率可能是 35%,看起来还行。但你把它按天拆开,会发现周二下午的峰值能顶到 90% 以上,而周末和夜间几乎归零。更麻烦的是另一种情况:平均值相近,成因完全不同。有的软件是“少数账号长时间挂着”,有的软件是“项目节点集中爆发、平时没人碰”。前者要抓的是僵尸会话和低频占用,后者要研究的是峰谷调度和临时扩容。你把全年数据压成一个数,两种问题都看不见。
还有一个被很多人忽略的:NX 这类软件的 checkout 不是“一人一个号”。 基础建模占一个 feature,进高级装配再叠一个,进 CAM 再叠一个,一个会话占三个 feature 是常态。你以为买了 100 个并发够 100 个人用,结果高峰期 60 个人就能把池子抽干。这不是买少了,是“人头数”和“feature 消耗量”之间天然存在一层你从来没算过的乘法。

许可池被组织边界切碎,则是组织结构层面的老问题。 同一种软件分散在不同事业部、不同地点、不同的 license server 上。A 部门资源不够,打报告增购;B 部门同一模块的号在池子里长期空闲。license server 本身不做跨池调配,AutoPass 这类系统的限制写得很清楚:restricted pool 不能和 shared pool 合并来满足一个请求。局部看每个部门都在“保供”,全局看就是重复采购叠加冗余。你不把池子的边界画出来,利用率永远算的是局部账。
最后一种浪费,是时间维度上的:只在续费前看数据。 预算审批那几周,临时拉一份报表,数据不完整、口径不统一,最后往往沿着去年的数量续下去。真正该持续盯的几类信号——并发峰值、拒绝请求的时间点和次数、checkout 时长和真实操作时长的差值、长时间不释放的会话——只在续费季出现一次,等于没有。NX 的占用时长比真实操作时长虚高 30% 到 50%,按前者做续费决策,钱基本是白扔。
说一个真事。
华东一家做汽车底盘件的企业,280 个 NX 用户,150 个浮动并发,CAM 模块单独 40 个号。续约前内部跑了三周 lmstat 数据,同时用键鼠空闲检测和活跃命令识别(REGEN、PAN、ZOOM、文件 IO)重新算了一遍“真实操作时长”。结果:NX 主包真实峰值并发只有 98/150,CAM 峰值 22/40,闲置率大概 35%。吃掉这些号的主要是三件事:午休挂机、下班忘关、离职未清号。他们做的事不复杂:分模块设 Inactivity Timeout,Core 20 分钟、CAM 15 分钟;回收前留三秒弹窗;清掉 5 个幽灵账号;每周给各部门发匿名化利用率周报。续约的时候,CAM 按真实峰值从 40 砍到 28,NX 主包从 150 砍到 120。一年省下来的维护费,差不多是三个工程师的年薪。第一次上会有人不信,他们把原始 lmstat 日志和去水后的操作时长对比表往桌上一拍,研发和采购都不说话了。
这个案例里没有买任何新东西。只是把“谁在占、占的是什么 feature、占了多久、人到底在不在”这几个数,第一次对齐了。