> For the complete documentation index, see [llms.txt](https://docs.console.zenlayer.com/welcome/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.console.zenlayer.com/welcome/cn/bare-metal/best-practice/bare-metal-cloud-server-quality-control.md).
# 裸金属云服务器质量控制
## 概述
**裸金属云服务器质量控制**流程确保在**三个** **阶段**中的可靠性：
1. **部署前压力测试** – 验证硬件在出货前的稳定性。
2. **生产入库验收测试** – 在加入生产池前验证所有组件。
3. **系统运行监控与告警** – 维护长期健康与运营一致性。
## 1. 服务器压力测试
当我们采购新服务器 或服务器在边缘节点首次部署 时，会进行全面压力测试以确保硬件的稳定性与可靠性。
测试重点为内存完整性和系统级性能压力。我们主要使用以下工具：
### 1.1 MemTest86 — 内存稳定性与错误检测
* **目的:** MemTest86 是独立的内存测试工具，可直接从启动运行，无需操作系统。它可检测内存模块的位错误、延迟异常及兼容性问题。
* **集成测试:** 内存与服务器整机硬件一起测试，而非在独立测试设备上单独测试内存模块。此方法能更真实地反映实际稳定性，捕捉内存、主板、CPU 与电源组件之间的相互作用。
* **测试阶段:**
* 每轮必须完成**至少一次完整测试阶段** ，确保验证所有地址范围和访问模式。
* 测试结果会**根据每个内存模块的序列号（SN）记录和归档**，以便追踪和长期质量管理。
* **双阶段测试:**
* **出厂前测试** – 在服务器组装完成并出货前进行，确保不出厂有缺陷的内存模块。
* **机架安装后测试** – 机架安装后再次执行，以验证运输后的完整性，在分布式边缘环境中尤为重要。
* **官方网站:** 。
### 1.2 stress-ng — CPU、内存、磁盘与 I/O 压力测试
) 是 Linux 上的综合压力测试工具，支持数百种压力子系统测试 CPU、内存、磁盘及 I/O。
* **测试时长:** 每台服务器压力测试**不少于 4 小时** ；高性能或 GPU 节点可延长至 **24 小时** 。
* **出厂前测试监控指标:**
* CPU 温度曲线
* 风扇转速及控制响应
* 电源稳定性（电压与功率）
* **目标:** 及早发现热量、风扇或电源不稳定迹象，确保只有完全稳定的单元进入生产。
## 2. 部署后质量控制
服务器在数据中心安装后，每台服务器都会经历完整的**硬件验收流程，方可进入生产库存（生产池）**。
这确保系统硬件符合设计规范，且处于验证的健康状态。
### 2.1 CPU 验证
* 验证安装的 CPU 型号与预期配置及性能规格一致。
### 2.2 内存验证
* 确认总安装内存符合规格，无缺失或多余 DIMM。
* 验证每条 DIMM 的容量和识别准确性。
* 检查 CPU 通道内存对称性，确保 NUMA 性能均衡。
* 确保操作系统报告的容量与实际安装一致。
* 对高性能配置，验证内存通道已完全填充。
* 确认所有 DIMM 品牌、频率及 Rank 规格一致。
### 2.3 磁盘验证
* 确认磁盘类型（SSD/HDD）、容量及接口符合型号规格。
* 验证磁盘数量正确。
* 检查 **SMART** 属性，并更换任何低于健康阈值的磁盘。
### 2.4 服务器机箱验证
* 确认出厂型号与配置记录一致。
* 验证冗余（双）电源。
* 检查 BIOS 与 BMC 固件版本是否符合批准基线。
### 2.5 GPU 验证
* 确认 GPU 数量与定义型号一致。
* 验证所有设备的 GPU 固件一致性。
### 2.6 网络适配器验证
* 验证实际链路速率与配置型号带宽一致（如 25 G NIC 接入 10 G 交换机，需标注为 10 G）。
* 确保 NIC 固件版本符合标准。
## 3. 运行时监控
服务器进入生产后，通过**运行时监控和生命周期验证**保持持续质量保障，包括：
1. **硬件验证在****实例开通与回收阶段**
2. **Linux 层与 IPMI 硬件遥测采集**
3. **多层监控与告警**
### 3.1 开通 & 回收阶段 — 实例生命周期检查
在每次通过控制台 **实例创建（开通）**或 **实例终止（回收）**时，自动硬件检查确保节点在用户工作负载前后均可靠。
#### **工作流程:**
1. **控制方案进入安装模式**，启动自动化操作系统部署。
2. **硬件信息上传:** 系统收集数据（通过 lshw 或等效工具）并上传到中央平台。
1. 包括 CPU、内存、磁盘、网卡、主板及 RAID 控制器信息。
2. 用于合规验证及在 SRE 平台中的告警关联。
3. 由于 **IPMI 与 Linux 暴露硬件信息维度不同**，因此 Linux 层数据也在此过程中采集，以**补充 IPMI 遥测** 。
4. 出于安全原因，**不安装任何代理** ；采集为**周期性**，非实时。
5. 确保每次开通与回收周期中硬件可见性与一致性完整。
3. **磁盘健康验证:** 防止性能下降硬件进入或留在生产。
1. 程序调用工具（smartctl 、megacli 、NVMe 工具）读取磁盘健康指标。如健康异常，则标记为**降级** 。服务器标记为 **安装失败**，加入 **故障设备列表**，安装停止并上报监控及系统。
### 3.2 回收阶段 — 复用检查
服务器在实例释放后被回收时，重复开通阶段的磁盘健康检查。
### 3.3 监控数据采集与告警系统
服务器进入全面生产后，可观测性通过三层遥测保持：
* **基于 IPMI 的硬件监控**
* **业务 IP 网络监控**
* **交换机端口级监控**
所有采集的遥测数据也会**展示在每个实例的健康仪表盘**中，使用户可查看关键硬件与网络指标。
#### **1. 基于 IPMI 的监控**
* **IPMI IP ICMP（延迟 / 丢包）:** 监控 BMC 网络连通性。
* **传感器数据:**
* 处理器 – 温度、电源、健康状态
* 电源 – 电压、电流、冗余
* 内存 – ECC 错误计数、DIMM 健康
* 磁盘插槽 – 插入/移除状态、故障
* 风扇 – 转速及控制响应
* 温度 – 实时热量分布
* **SEL（系统事件日志）:** 捕获**关键中断**、电源或风扇故障等事件，并自动触发告警。
#### **2. 基于业务 IP 的监控**
* **WAN IP ICMP（延迟 / 丢包）:** 监控外部网络可达性及延迟。\
超出阈值时触发告警。
#### **3. 交换机端口级监控**
* **入/出方向丢包:** 检测丢包或缓冲区溢出。
* **入/出方向错误:** 识别物理链路故障（CRC、对齐错误）。