企业官网建设流程全解析

BMC层：硬件健康监控、RAS事件管理与带外运维

1．总体概述

网卡以及传感器的小系统，能独立于主处理器上的OS/BIOS状态，单独执行平台管理功能。

在服务器RAS体系中，BMC承担带外硬件监控、平台RAS事件汇聚、FRU定位、故障告警、日志持久化以及远程运维等功能。

2．BMC硬件健康监控

BMC可以通过平台传感器获取服务器的温度、电压、电流、风扇转速等信息，从整机平台角度持续监控服务器硬件健康状态。

平台传感器与 BMC 以多种总线方式互联：

(1)通过 I²C/SMBus 总线和绝大多数板载温度、电压传感器相连；

(2)通过独立PECI 单线接口和CPU 内置温度传感器相连；

(3)通过PMBus 协议(底层物理复用 SMBus)和电源模块相连。

(4)通过 GPIO 中断信号，当检测到硬件越限时传感器还可通知 BMC，触发告警与保护逻辑。

当监控参数超过平台设定阈值或硬件报告异常状态时，BMC可以生成相应的平台管理事件，并根据服务器平台策略执行日志记录、告警或必要的平台保护操作。

3．RAS事件汇聚与持久化

BMC是服务器RAS事件的重要汇聚节点和带外持久化记录平台。

服务器硬件、BIOS/UEFI固件及Linux操作系统分别负责不同层面的故障检测与处理，相关RAS信息分散在不同组件中。当操作系统发生崩溃、重启或无法启动等异常时，部分故障信息可能丢失或无法访问。

因此，需要利用BMC独立于主机操作系统运行的特点，实现多源RAS信息的统一汇聚、持久化记录和远程管理，提高故障信息的完整性、可追溯性及故障诊断效率。

BMC主要通过以下三种途径汇聚RAS信息：

（1）硬件直接采集： BMC通过I²C、SMBus、PMBus、PECI、GPIO等硬件接口，直接获取电源、温度、风扇等硬件运行状态，并根据传感器状态或预设阈值识别异常事件，具体机制参照前一节描述。

（2）BIOS/UEFI固件上报： 当服务器发生CPU Machine Check、内存ECC错误或PCIe异常时，CPU及相关硬件控制器首先检测并记录错误。BIOS/UEFI及平台RAS固件可通过IPMI/KCS或厂商定义的专用通信机制，将相关故障信息上报至BMC。

（3）Linux操作系统上报： Linux通过MCE、EDAC、AER等内核机制检测和记录CPU、内存及PCIe硬件错误，并可借助RAS监控组件或专门的事件上报服务，通过IPMI/KCS等Host-BMC通信接口，将相关故障信息传递至BMC。具体上报能力取决于服务器平台及软件配置，并非所有Linux硬件错误都会自动同步至BMC。

以华为服务器的iBMC为例，其通过硬件监控、固件故障上报及操作系统管理组件协同实现服务器故障管理。

在硬件层面，iBMC通过板载管理接口获取电源、风扇、温度等运行信息；

在固件层面，结合CPU RAS和BIOS故障处理机制，获取CPU、内存等硬件故障信息；

在故障诊断层面，部分型号的iBMC提供FDM（Fault Diagnosis Management）功能，实现故障数据分析、故障定位及设备健康评估；

在操作系统层面，还可通过iBMA（Intelligent Baseboard Management Agent）等管理组件获取操作系统运行信息，辅助服务器状态监控和故障管理。

BMC接收上述多源RAS信息后，可根据平台定义的事件模型，对不同来源的错误信息进行格式转换、分类、时间关联和重复事件识别，并将相关信息持久化记录至SEL（System Event Log，系统事件日志）、厂商自定义事件日志或遥测数据库中。同时，可通过IPMI、Redfish等管理接口向远程运维平台提供故障信息查询，并通过相应的事件通知机制实现告警上报。

4．硬件定位与FRU关联

BMC可结合服务器厂商定义的硬件拓扑及设备资产信息，将RAS事件中的逻辑错误位置进一步映射到实际物理部件，并关联FRU（Field Replaceable Unit，现场可更换单元），为故障诊断、部件更换和自动化运维提供依据。

以服务器内存ECC错误为例：

当CPU内存控制器检测到ECC异常时，平台RAS机制可提供错误类型、内存控制器编号、通道及槽位等信息。

BMC获取相关故障事件后，结合BIOS提供的内存拓扑映射关系、平台硬件配置及设备资产信息，将逻辑错误位置映射至具体的物理内存模块（如DIMM_A1），并在相关信息可用时关联其FRU标识、部件型号和序列号。

在此基础上，故障诊断模块可结合错误严重程度、发生频率、历史事件及平台诊断规则，识别疑似故障部件，形成包含故障类型、物理位置、关联FRU和维修建议的诊断结果。

例如，当DIMM_A1持续出现ECC可纠正错误并达到平台设定的告警阈值时，BMC可将相关错误事件关联至DIMM_A1，并将该内存模块标记为疑似故障部件，提示运维人员进一步检查或更换。

需要注意，FRU关联并不等同于故障根因已经确定，部分错误也可能由内存插槽、主板信号链路或CPU内存控制器异常引起，仍需结合平台诊断规则进行综合判断。

通过上述机制，可将底层RAS错误从寄存器或设备级错误信息转换为面向具体可维护部件的故障诊断结果，使运维人员能够快速定位疑似故障FRU，而不必直接分析复杂的硬件错误寄存器。

5．故障告警与远程运维

BMC通常具备独立的带外管理网络接口，可在主机操作系统不可用时，通过IPMI、Redfish等管理接口，向管理员或上层数据中心管理系统提供服务器健康状态、硬件故障信息和历史RAS事件。

当服务器发生硬件异常时，BMC可根据事件类型、严重程度、发生频率及平台预设策略，对故障进行分级处理。

例如，对于偶发的可纠正ECC错误，可进行事件记录和持续监控；对于持续超阈值的ECC错误、不可纠正内存错误或严重电源故障，则可触发相应级别的告警。

在告警通知方面，BMC可通过SNMP Trap、Redfish EventService等机制，主动向上层管理平台推送故障事件。

上层管理平台接收到告警后，可结合故障等级、关联FRU及业务运行状态，执行工单生成、维护通知、故障节点隔离或业务迁移等操作。

对于支持相应管理能力的平台，BMC还可配合上层管理系统执行远程电源控制、系统重启等操作，辅助故障恢复。

通过上述机制，BMC将服务器底层RAS事件与数据中心运维管理流程衔接起来，形成从故障检测、信息汇聚、部件定位到告警通知和运维处置的完整管理链路，提高服务器故障响应效率和系统可维护性。