物理机的温度与风扇也要纳入巡检

夏天机房空调出过事故的团队都懂：一排物理机集体过热降频，业务慢半拍，事后复盘发现传感器早就报过数，只是没人看。 一、为什么要盯温度 CPU 过热第一步是降频，性能掉一半很常见，第二步就是强制关机保护；机械盘长期高温会明显缩短寿命，45 度以上就该留意机柜风道，挡住网孔的废纸和散乱的线缆是常见凶手；风扇停转往往是故障的最早信号，先于温度报警出现。这三件事在发生前都有读数可查。温度问题有滞后性，今天的高温是昨天风道恶化的结果，趋势比瞬时值重要。 二、一句命令拿到读数 前提是主板带 BMC（Baseboard Management Controller，基板管理控制器），ipmitool 通过它走带外通道取数，系统死机也能读到。ipmitool sdr type temperature 看温度传感器，ipmitool sensor 列出全部。批量机器用脚本收集，CPU 超过 75 度、进风超过 35 度就告警，阈值按机型手册微调。读数恒为定值或明显离谱的传感器可能已故障，对照同型号机器确认。没有 BMC 的老旧机器可以看 lm-sensors 的读数，只是精度和覆盖面差一些。 三、过热的连锁反应 降频让响应时间变长、风扇全速噪音变大，机房长期偏热还会加速电容老化。问题从"一个传感器读数偏高"滚成"生产事故"，中间往往只隔一个坏空调。机柜进出风方向被打乱，常见于临时加机器后没恢复挡板。巡检记录留档，温度趋势比单点读数更能说明风道是否恶化。 四、托管环境的担忧 机器放在托管机房，人不在现场，指示灯看不到、异响听不见，能依靠的只有 BMC 远程读数和机房环境监控。用顺云裸金属物理机 B4 这类产品，硬件巡检和温度监控由平台侧负责，需要核查时通过工单调取结果即可。 把温度巡检写进例行清单，五分钟的检查能避免一整晚的救火。