PC服務(wù)器故障預(yù)測分析及維護(hù)處理

文/來風(fēng)剛 李濟(jì)偉 董耀眾 宋瑞華 李偉良

（1.國家電網(wǎng)有限公司信息通信分公司 北京市 100053）

（2.國電南瑞科技股份有限公司信息系統(tǒng)集成分公司 江蘇省南京市 211102）

在信息化時代的今天，計算機(jī)技術(shù)的發(fā)展有目共睹，而PC 服務(wù)器作為與計算機(jī)息息相關(guān)的一項技術(shù)，其因自身價位較低且性能較高的優(yōu)點被廣泛應(yīng)用于各行各業(yè)的工作中，如國網(wǎng)數(shù)據(jù)中心等，現(xiàn)今也在實施現(xiàn)代化的管理，PC 服務(wù)器正為這項工作提供了強(qiáng)有力的技術(shù)保障[1]。

1 關(guān)于服務(wù)器的概述

技術(shù)上的服務(wù)器主要的概念就是管理資源，而后給用戶提供一系列服務(wù)。作為計算機(jī)軟件，其包含數(shù)據(jù)庫服務(wù)器、應(yīng)用程序服務(wù)器以及文件服務(wù)器等，令此類軟件正常運行的各種計算機(jī)以及計算機(jī)系統(tǒng)被叫做服務(wù)器。和一般的PC 比較，這類服務(wù)器的性能、穩(wěn)定性以及安全性等都有較高的要求，且在網(wǎng)絡(luò)、內(nèi)存、硬盤系統(tǒng)、PU 以及芯片組等方面也和普通計算機(jī)存在差異[2]。其是網(wǎng)絡(luò)節(jié)點服務(wù)器，所以可以處理或存儲網(wǎng)絡(luò)里80%的數(shù)據(jù)和信息，還一直被叫做“PC 網(wǎng)絡(luò)靈魂”。受到操作系統(tǒng)的控制，服務(wù)器可以將和它所連接的打印機(jī)、de、硬盤、磁帶或其他的通訊設(shè)備作為共享給網(wǎng)絡(luò)客戶的站點，同時還可給用戶提供信息發(fā)表、數(shù)據(jù)管理以及集中計算等各項服務(wù)。服務(wù)器的高性能一般體現(xiàn)在長時間的運行能力、強(qiáng)大的外部數(shù)據(jù)傳播能力以及高速運算的能力。

2 PC服務(wù)器的故障預(yù)測分析

2.1 常見的故障

在所有的故障中，比較常見就是服務(wù)器的軟件故障，這種情況大概占整體故障的70%，而其余的30%則是硬件故障。其中，軟件故障主要有人為造成、治理軟件例存在BUG、服務(wù)器的驅(qū)動程序問題、應(yīng)用程序沖突或BIS 版本太低等[3]；而硬件故障則主要包括：操作系統(tǒng)加載問題、上電自檢的故障、系統(tǒng)運行的故障、安裝階段的故障以及開機(jī)問題等。服務(wù)器的構(gòu)成相對來說比較復(fù)雜，所以在排查是應(yīng)保持謹(jǐn)慎。

2.2 服務(wù)器故障的預(yù)測分析

服務(wù)器的主要組件無外乎CPU、內(nèi)存、硬盤、主板、I/O 板卡、RAID 卡、電源、風(fēng)扇等，我們可以從這些組件來探討如何預(yù)測服務(wù)器不久可能出現(xiàn)的問題，從而提前做出相應(yīng)準(zhǔn)備，做好相應(yīng)應(yīng)急措施，減少服務(wù)器出問題時定位和恢復(fù)服務(wù)器的時間，減少服務(wù)器出故障出現(xiàn)的負(fù)面影響，提高我們的平均修復(fù)時間（MTTR）。

2.2.1 PC 服務(wù)器構(gòu)成主要部件

（1）中央處理器（CPU）：CPU 是服務(wù)器的計算單元，其功能主要是解釋計算機(jī)指令以及處理計算機(jī)軟件中的數(shù)據(jù)。我們平時有什么方法來知道它的狀態(tài)及運行情況，在不同的操作系統(tǒng)上，我們可能通過命令或圖形操作知道CPU 的信息，如：Linux：/proc/cpuinfo，Windows 我的電腦-屬性及Windows 任務(wù)管理器，通過腳本或者工具檢測其狀態(tài)，如：Super Pi forlinux，CPU GrabEx–Windows 測試工具，以便對有其穩(wěn)定性、性能、隱形問題進(jìn)行分析和預(yù)測，根據(jù)問題和頻繁程度預(yù)測CPU 情況，做出相關(guān)應(yīng)對措施。

（2）內(nèi)存：內(nèi)存就是隨機(jī)存取存儲器(RAM)，在計算期間被用作高速暫存記憶區(qū)，物理上是我們平?？吹降膬?nèi)存條，它的檢測方法有很多，很多服務(wù)器本身在bios 里面就有memory test，或者自帶的檢測光盤，通過這些檢測手段，在檢測完畢后可以看到檢測的結(jié)果和問題，如果存在某一根內(nèi)存有較多的ECC 報錯，我們可以預(yù)測它出問題的概率很大，如果只是幾次ECC 報錯，那么我們可以繼續(xù)觀察，它認(rèn)為是沒有問題。在系統(tǒng)上我們也能使用工具memtester、Windows memory diagnostic 測試，測試完畢后可以分析內(nèi)存存在的問題，預(yù)測內(nèi)存出問題的可能性。

（3）硬盤：硬盤（harddisk）是服務(wù)器中的存儲器。計算機(jī)需要正常運行所需數(shù)據(jù)及軟件都存儲在硬盤上，現(xiàn)在有一項技術(shù)--S.M.A.R.T.， 全 稱 為“Self-Monitoring Analysisand Reporting Technology”，即“自我監(jiān)測、分析及報告技術(shù)”。通過硬盤內(nèi)的檢測指令對硬盤如磁頭、盤片、馬達(dá)、電路的運行情況進(jìn)行監(jiān)測、記錄并與廠商所設(shè)定的預(yù)設(shè)安全值進(jìn)行比較，若監(jiān)測情況超出預(yù)設(shè)安全值，它就通過主機(jī)的監(jiān)控硬件或軟件自動向運維人員發(fā)出警告，這樣我們就可以對硬盤進(jìn)程預(yù)測，提前做出準(zhǔn)備。

（4）主板：主板是負(fù)責(zé)連接服務(wù)器各組件的橋梁,其工作的穩(wěn)定性直接影響著服務(wù)器能否正常。由于它所集成的組件和元器件復(fù)雜,因此發(fā)生故障的原因也比較多，要預(yù)測服務(wù)器上主板的問題，一般沒有很好的方法，主要是查看日志，比如：BMC日志，溫度、電壓，系統(tǒng)日志等，能做個基本的預(yù)測。

（5）I/O 板卡、RAID 卡、電源、風(fēng)扇：這類板卡、電源及風(fēng)扇檢測相對比較容易，如：網(wǎng)卡在系統(tǒng)上就可以使用命令或者軟件做到，Ethtool 和Windows perfmon 看看其丟包率，HBA 卡通過交換機(jī)看到相應(yīng)端口的光衰情況，命令fcping 也能做出相關(guān)檢測，raid 卡使用megacli、storcli 查看raid 的報錯情況和頻率做出判斷，風(fēng)扇和電源在BMC 上可以查看其轉(zhuǎn)速和電壓情況與廠家給出的正常范圍做出比較，如果經(jīng)常臨近閥值時，我們可以預(yù)測此部件可能不久會出問題，我們可以提前做好更換的準(zhǔn)備。

2.2.2 常見故障可以分為兩大類

（1）死機(jī)故障：以國網(wǎng)數(shù)據(jù)中心為例，其對PC 服務(wù)器的穩(wěn)定性與安全性要求很高，一旦服務(wù)器出現(xiàn)數(shù)據(jù)丟失等情況，則可能影響正常工作，所以對PC 服務(wù)器的故障進(jìn)行預(yù)測和分析至關(guān)重要。就死機(jī)故障又可以分為三子類：

1）硬件故障，所有故障中最常見的就是死機(jī)的問題，有時系統(tǒng)無法正常啟動，如開機(jī)之后不顯示、在啟動的過程中發(fā)生終止、瀏覽信息后出現(xiàn)死機(jī)或運行中出現(xiàn)永久性和間歇性死機(jī)的情況。導(dǎo)致這些問題的原因經(jīng)過分析發(fā)現(xiàn)：首先可能是器件的故障問題，如AHE、主板、PU 或內(nèi)存條等出現(xiàn)問題；然后就是部件的安裝問題，安裝不到位、插接的松動或連接缺乏準(zhǔn)確性等，或在安裝時，不恰當(dāng)?shù)牟僮鲗?dǎo)致部件變形，進(jìn)而引發(fā)死機(jī)[4]；同時，系統(tǒng)配置問題也可能造成死機(jī)，主板跳線開關(guān)、硬件設(shè)備、系統(tǒng)BIS 和系統(tǒng)配置存在很大關(guān)聯(lián)；還有一點就是軟件在安裝和配置時令內(nèi)部發(fā)生了沖突，進(jìn)而導(dǎo)致死機(jī)的情況發(fā)生，其中S 參數(shù)和系統(tǒng)被病毒破壞，就很可能引發(fā)死機(jī)；除此之外，使用和維護(hù)也很重要，一旦維護(hù)不當(dāng)，也很可能造成死機(jī)，如出現(xiàn)板卡和芯片引腳氧化的情況，會導(dǎo)致接觸不良，部件受潮或積灰等也易引發(fā)死機(jī)，服務(wù)器的板卡和外設(shè)接口出現(xiàn)松動，當(dāng)發(fā)生閃電或雷擊等意外時，就會使電源、主機(jī)以及其他的設(shè)備被損壞，進(jìn)而導(dǎo)致死機(jī)；

2）性能故障，此類問題一般比較隱蔽，它出現(xiàn)死機(jī)的情況一般都是有規(guī)律的，在固定的日期或者時間出現(xiàn)，一般日志不容易發(fā)現(xiàn)，等你檢查了很多東西后發(fā)現(xiàn)還是沒有什么頭緒。服務(wù)器重啟后也許就好了，也許過一段時間又出現(xiàn)這種情況，運維人員才把注意力放到服務(wù)器性能上，我們的慣性思維認(rèn)為服務(wù)器一般是滿足應(yīng)用需要的，只有在日積月累中服務(wù)器的性能才會慢慢的不能匹配業(yè)務(wù)需要，種類問題才會發(fā)生，分析性能問題是需要安裝軟件的，在Linux 中我們使用nmon，Windows 有自己自帶的Performance Monitor，在分析中我們可以看到某些性能達(dá)到極限值，最后導(dǎo)致服務(wù)器死機(jī)；

3）程序故障，程序出故障導(dǎo)致服務(wù)器死機(jī)我們在平時也能見到，特別是新上線的軟件程序，它的兼容性、穩(wěn)定性都有待提高和改進(jìn)，程序?qū)Σ煌到y(tǒng)版本的支持，和其他程序是否有沖突，程序是否存在漏洞及程序的邏輯錯誤等都會導(dǎo)致程序出問題，從而最終導(dǎo)致服務(wù)器死機(jī)。

（2）無法訪問網(wǎng)絡(luò)或IP 地址沖突的故障：PC 服務(wù)器在運行的過程中，還會發(fā)生無法訪問網(wǎng)絡(luò)等問題，這也會給工作單位帶來諸多困擾，所以要及時分析原因。

導(dǎo)致這種情況最主要的因素有兩個：

1）計算機(jī)硬件的問題，如網(wǎng)絡(luò)連線和網(wǎng)卡安裝等導(dǎo)致；

2）網(wǎng)絡(luò)屬性的設(shè)置問題。

除此之外，在利用計算機(jī)進(jìn)行登錄時，有時還會發(fā)生IP 地址沖突等現(xiàn)象，導(dǎo)致這種情況的原因就是使用計算機(jī)的過程中，局域網(wǎng)IP 地址被認(rèn)為改動，導(dǎo)致IP 地址發(fā)生資源重復(fù)的現(xiàn)象，這種故障在很多領(lǐng)域都會發(fā)生。PC 服務(wù)器在運行過程中，遇到的故障有很多，這些故障很可能導(dǎo)致工作的無法進(jìn)行，如國網(wǎng)數(shù)據(jù)中心使用PC 服務(wù)器時，如發(fā)生故障，則可能使工作受到影響，進(jìn)而引發(fā)嚴(yán)重后果，所以一定要進(jìn)行處理。

3 PC服務(wù)器的維護(hù)處理措施

3.1 維護(hù)處理死機(jī)故障

導(dǎo)致PC 服務(wù)器死機(jī)故障的因素眾多。

（1）當(dāng)硬件出現(xiàn)故障，如出現(xiàn)電源無法開機(jī)的情況時，需取下服務(wù)器里的所有電源模塊，同時還要檢查電源模塊和電源籠的接口，這種做法主要是對電源模塊和電源籠的接口松動情況進(jìn)行確認(rèn)，觀察其是否可以經(jīng)過重裝達(dá)到加固的效果，但如果是固定卡被損壞，則需更換電源，進(jìn)而對電纜進(jìn)行控制；另外，如果出現(xiàn)其他電纜接口被損壞的情況，則需更換備件；當(dāng)開機(jī)無法顯示，且系統(tǒng)日志里表明CPU 的電壓為OV 信息，而系統(tǒng)的指示燈也在不斷的閃爍，則表示為VRM 出現(xiàn)問題或CPU 發(fā)生故障，此時應(yīng)該把CPU換到其他CPU 插槽中，但如果重啟之后還是出現(xiàn)此類現(xiàn)象，則表示CPU 發(fā)生損壞，此時可將CPU 取出，而后仔細(xì)擦拭金手指；當(dāng)開機(jī)之后未出現(xiàn)系統(tǒng)的信息提示時，則分析可能為電源因素，但如果檢查之后認(rèn)定電源沒有問題，則可能為PC 服務(wù)器的電源管理板發(fā)生故障，對此，只要更換電源管理板即可解決；在自檢的過程中，按CTRL+M 鍵但沒有檢測出硬盤，且此時硬盤于其他服務(wù)器里可以正常使用，說明應(yīng)該清除CMOS，如果還是沒有恢復(fù)正常，則需升級BIOS，此時依然沒有將問題解決，則需全面檢查電源線、數(shù)據(jù)線以及硬盤籠子，如果還是無法解決，則需檢查服務(wù)器I/O 板，進(jìn)而對異常網(wǎng)卡予以清除[5]。另外，當(dāng)遇到系統(tǒng)死機(jī)、藍(lán)屏或反應(yīng)遲鈍等現(xiàn)象，表示服務(wù)器的軟件系統(tǒng)有問題，此時應(yīng)該將重要文件備份之后重裝系統(tǒng)；

（2）出現(xiàn)性能故障的時候，需要借助分析軟件，綜合分析服務(wù)器的性能瓶頸，做到有的放矢，增加內(nèi)存、增加網(wǎng)絡(luò)帶寬、提高處理器處理能力、調(diào)整系統(tǒng)核心參數(shù)，通過一系列測試，將服務(wù)器的性能引起的死機(jī)問題處理解決；

（3）出現(xiàn)應(yīng)用程序故障，我們一般是從系統(tǒng)或者應(yīng)用的日志中能查詢到相關(guān)報錯，抓取程序日志、系統(tǒng)日志、服務(wù)器BMC 端口日志，綜合分析。

3.2 維護(hù)處理無法訪問網(wǎng)絡(luò)或IP地址沖突的故障

遇到這種情況且無法進(jìn)行查看時，需考慮以下幾方面問題。如果為硬件原因，則首先要仔細(xì)檢查，做好安裝和連接；如果是因網(wǎng)絡(luò)屬性的設(shè)置原因，則要進(jìn)行專門的設(shè)置操作，首先需檢查網(wǎng)絡(luò)標(biāo)示，具體的步驟為：打開“我的電腦”中“屬性”選項，檢查計算機(jī)，而后對計算機(jī)名進(jìn)行修改，在對話框中檢查網(wǎng)絡(luò)的標(biāo)示，檢查“工作組”或“域”，然后就是檢查IP 地址的設(shè)置，準(zhǔn)確設(shè)置網(wǎng)絡(luò)地址，最后則是對網(wǎng)絡(luò)協(xié)議進(jìn)行設(shè)置。而當(dāng)IP 地址發(fā)生問題時，則需重新規(guī)劃IP 地址，或?qū)P 地址進(jìn)行動態(tài)的分配，這樣即可解決問題。

4 結(jié)束語

總而言之，PC 服務(wù)器故障問題可能會對整個工作區(qū)域造成影響，所以要做好預(yù)測分析和維護(hù)處理。只有保證PC 服務(wù)器正常、安全、有效地運行，才能使工作順利進(jìn)行，推動各單位的信息化發(fā)展。