在香港机房的多台服务器中，系统管理员发现部分服务器出现过热现象，且无法通过传统的硬件保护机制如自动降频或断电保护等方式加以遏制。经过A5数据的排查，发现所有出现过热的服务器都存在一个共同点：即CPU温度探测传感器失效，导致温度监测数据无法传输至系统，并且服务器的过热保护机制未能在温度达到阈值时激活。
故障原因排查
1.硬件检查：
- 检查服务器的硬件配置，包括CPU型号、传感器类型、以及温控系统。
- 使用硬件检测工具（如Supermicro IPMI、Dell iDRAC等）直接查询温度传感器状态，确认传感器是否报告温度数据。
- 检查CPU和传感器之间的连接是否正常，是否有物理损坏。
BIOS/固件检查：
- 进入BIOS或BMC（Baseboard Management Controller）设置界面，确认温度传感器的启用状态及相关设置。
- 检查固件版本，确保BMC或BIOS版本为最新版本，避免由于固件版本过低导致的温控功能异常。
操作系统与监控工具检查：
- 检查操作系统中用于获取硬件温度信息的工具（如lm_sensors在Linux中的使用）是否能够正确读取温度信息。
- 查看系统日志（例如dmesg、/var/log/syslog等），分析是否存在关于温度传感器故障的报错信息。
软件配置检查：
- 通过ipmitool等工具，确认IPMI系统中是否启用了过热警告与过热保护机制。
- 检查操作系统的热管理配置，确认是否启用了相应的保护功能，如CPU降频、系统关机等。
技术分析
CPU温度传感器原理： 现代服务器CPU内置温度传感器，通常基于数字温度传感器技术（如Intel的Digital Thermal Sensor，DTS）。这些传感器通过读取热电偶的电压变化来监测温度，并通过BMC或操作系统提供数据。数据被用来控制风扇转速、调整CPU频率、甚至触发过热保护机制。
硬件监控系统： 服务器通常配备独立的硬件监控系统，如IPMI（Intelligent Platform Management Interface），该系统通过传感器数据监测服务器的温度、电压、风扇转速等参数。若检测到某项指标超过预设阈值，IPMI系统会触发报警或自动执行保护措施（如关机或降频）。
故障原因：
- 由于某些原因，服务器的CPU温度传感器未能正常工作，可能是由于硬件故障、固件缺陷、或者传感器的电源问题。
- 如果温度数据无法通过硬件监控系统传输，相关保护机制无法及时启动。这就导致了过热问题的积累，甚至造成系统崩溃。
故障解决方案
硬件替换：
如果检测到传感器硬件损坏或无法修复，最直接的解决方案是更换CPU温度传感器或者相关硬件模块。此过程需要拆卸服务器，替换硬件组件。
更换硬件后，重新启用温度探测并验证其功能。
BIOS/固件更新：
检查服务器BIOS、BMC固件版本，必要时升级到最新版本。固件的更新往往可以修复温控系统中的已知漏洞，并提高硬件传感器的兼容性和稳定性。
通过BIOS设置界面，重新启用温控传感器，并确保保护机制正确配置。
操作系统调整：
在操作系统中安装并配置温度监控工具，如lm_sensors（Linux）、HWMonitor（Windows）等，确保系统能够实时获取温度数据。
配置系统级别的保护机制，如自动降频、过热警告、自动关机等。以下是一个lm_sensors配置示例：
# 安装lm_sensors工具
sudo apt-get install lm-sensors
# 检测硬件传感器
sudo sensors-detect
# 查看当前温度数据
sensors
如果传感器数据不正常，可能需要重新安装驱动或检查硬件连接。
热管理策略调整：
在服务器管理界面（如IPMI）中检查温控设置，并根据机房温度情况调整风扇转速、阈值设置等参数。确保在温度超标时，能够及时启动过热保护机制。
例如，在IPMI中设置高温阈值：
ipmitool sensor thresh "CPU Temp" lower 25 35
ipmitool sensor thresh "CPU Temp" upper 80 95
这个命令设置了CPU温度的下限为25°C，上限为80°C，并在超过阈值时触发报警。
这次故障的根本原因在于CPU温度传感器失效，导致无法准确监控服务器的温度变化，从而未能触发过热保护机制。通过硬件检查、固件更新、操作系统配置及热管理策略的调整，成功恢复了服务器的正常保护功能。为避免类似故障再次发生，建议定期检查硬件传感器和温控系统，及时更新固件，并配置合理的温控阈值。
