服务器该如何进行巡检

服务器巡检应遵循以下步骤，确保系统安全稳定运行：

一、基础巡检规范

1. 定期检查

   • 执行例行维护，定期备份系统数据（含配置文件和业务数据），数据修改前需备份并记录变更内容。
   • 重大操作（如数据迁移）需预先评估可行性，执行前备份数据并制定应急恢复方案。

2. 权限与安全

   • 严格管理管理员密码，定期更新，控制用户权限至最小必要范围。
   • 通过BMC/IPMI等带外管理接口获取硬件状态，需提前获取客户授权的BMC IP、账户及密码。

二、硬件健康检查

1. RAID卡状态监测

   • 检查RAID卡日志（如AHS/Survey日志），关注Patrol Read（巡读）和Consistency Check（一致性检查）状态：
     • PR：检测物理盘介质错误，默认每168小时运行一次，可通过storcli调整速率或关闭。
     • CC：校验冗余RAID数据一致性，默认周期7天，高负载场景建议在业务空闲期执行或调整速率。
   • 使用storcli /cx display patrolread和storcli /cx display cc查看当前状态。

2. 硬盘与阵列健康

   • 通过工具（如鲲鹏健康巡检工具）检查硬盘状态，重点关注PSU、坏块、Medium Error等异常。
   • 若发现热备盘故障或I/O延迟异常，需更换故障盘或临时关闭PR/CC（通过storcli命令）。

三、自动化巡检工具

1. 鲲鹏健康巡检工具

   • 操作流程：
     1. 添加设备IP及BMC信息，支持批量导入。
     2. 选择检查项：健康检查、版本风险、资产信息收集。
     3. 设置并发数量（避免过高影响业务），生成报告后查看“统计总览”和详细异常项。
     4. 根据告警代码参考《BMC告警处理手册》处理问题。

2. Redfish批量巡检

   • 使用Python脚本通过Redfish API批量获取服务器健康状态，生成日志并分析关键指标（如电源、温度、固件版本）。

四、巡检报告与记录

1. 报告生成

   • 使用管理平台导出机箱清单（xlsx/PDF格式），记录巡检时间、操作员、客户单位等信息。
   • 保存健康检查报告（HTML格式），标注异常项及处理措施。

2. 问题处理

   • 发现故障时，详细记录原始信息（如日志片段、错误代码），及时联系技术支持。
   • 示例：若RAID卡因PR导致I/O延迟，可临时关闭PR（storcli /cx set patrolread=off）并更换故障硬盘。

五、注意事项

• 业务影响：巡检避开业务高峰期，CC/PR等资源密集型操作建议在维护窗口执行。
• 合规性：未经客户书面授权，禁止修改配置或执行上下电操作。
• 工具更新：定期升级巡检工具版本，适配新固件或硬件特性。

用fist巡检