it教程FG11-服务器硬件故障诊断与排除

1. 硬件故障诊断概述

服务器硬件故障会导致系统不稳定、性能下降甚至完全无法运行。及时准确地诊断和排除硬件故障，对于保障服务器的正常运行至关重要，学习交流加群风哥微信: itpux-com。

生产环境风哥建议：建立完善的硬件故障诊断流程，定期进行硬件健康检查，及时发现和解决潜在问题。

2. CPU故障诊断与排除

CPU是服务器的核心组件，其故障会导致系统无法启动或运行不稳定。更多学习教程www.fgedu.net.cn

2.1 CPU故障症状

系统无法启动，出现CPU错误代码
系统运行不稳定，频繁蓝屏或死机
CPU使用率异常高，即使在低负载情况下
系统性能明显下降

2.2 CPU故障诊断方法

# 检查CPU温度
# sensors
coretemp-isa-0000
Adapter: ISA adapter
Package id 0: +45.0°C (high = +80.0°C, crit = +90.0°C)
Core 0: +42.0°C (high = +80.0°C, crit = +90.0°C)
Core 1: +43.0°C (high = +80.0°C, crit = +90.0°C)
Core 2: +41.0°C (high = +80.0°C, crit = +90.0°C)
Core 3: +44.0°C (high = +80.0°C, crit = +90.0°C)

# 检查CPU信息
# lscpu
Architecture: x86_64
CPU op-mode(s): 32-bit, 64-bit
Byte Order: Little Endian
CPU(s): 32
On-line CPU(s) list: 0-31
Thread(s) per core: 2
Core(s) per socket: 8
Socket(s): 2
NUMA node(s): 2
Vendor ID: GenuineIntel
CPU family: 6
Model: 85
Model name: Intel(R) Xeon(R) Gold 6248 CPU @ 2.50GHz

# 检查系统日志中的CPU错误
# grep -i cpu /var/log/messages | tail -20

2.3 CPU故障排除步骤

检查CPU散热系统是否正常
检查CPU风扇是否运转正常
检查CPU与主板的连接是否牢固
尝试重新安装CPU
如果问题仍然存在，考虑更换CPU

风哥风哥提示：CPU温度过高是导致CPU故障的常见原因，确保服务器散热系统正常运行。

3. 内存故障诊断与排除

内存故障会导致系统不稳定、数据损坏或无法启动。

3.1 内存故障症状

系统无法启动，出现内存错误代码
系统运行不稳定，频繁出现蓝屏或死机
应用程序崩溃或出现内存错误
系统性能明显下降
出现数据损坏或丢失

3.2 内存故障诊断方法

# 检查内存使用情况
# free -h
total used free shared buff/cache available
Mem: 125G 1.2G 123G 16M 512M 124G
Swap: 32G 0B 32G

# 检查内存详细信息
# dmidecode -t memory | grep -A 10 “Memory Device”

# 使用memtest86+测试内存
# memtest86+ –test 1

# 检查系统日志中的内存错误
# grep -i memory /var/log/messages | tail -20
# grep -i “out of memory” /var/log/messages | tail -20

3.3 内存故障排除步骤

检查内存模块是否正确安装
尝试重新插拔内存模块
使用内存测试工具测试内存
尝试更换内存插槽
如果问题仍然存在，考虑更换内存模块

生产环境风哥建议：使用ECC内存可以自动检测和纠正内存错误，提高系统稳定性。

4. 存储故障诊断与排除

存储故障会导致数据丢失、系统无法启动或性能下降。学习交流加群风哥QQ113257174

4.1 存储故障症状

系统无法启动，出现磁盘错误
磁盘读写速度明显下降
出现文件系统错误或数据损坏
RAID阵列故障或降级
磁盘指示灯异常闪烁

4.2 存储故障诊断方法

# 检查磁盘状态
# lsblk
NAME MAJ:MIN RM SIZE RO TYPE MOUNTPOINT
sda 8:0 0 500G 0 disk
├─sda1 8:1 0 1G 0 part /boot
└─sda2 8:2 0 499G 0 part
├─ol-root 253:0 0 50G 0 lvm /
├─ol-swap 253:1 0 32G 0 lvm [SWAP]
└─ol-home 253:2 0 417G 0 lvm /home

# 检查磁盘健康状态
# smartctl -a /dev/sda

# 检查文件系统
# fsck -n /dev/sda1

# 检查RAID状态
# megacli -LDInfo -Lall -aALL

# 检查系统日志中的存储错误
# grep -i disk /var/log/messages | tail -20
# grep -i sda /var/log/messages | tail -20

4.3 存储故障排除步骤

检查磁盘连接是否牢固
检查RAID阵列状态
使用磁盘检测工具检查磁盘健康状态
修复文件系统错误
如果问题仍然存在，考虑更换磁盘

风哥风哥提示：定期备份数据，使用RAID技术提高数据安全性和可用性。

5. 网络故障诊断与排除

网络故障会导致服务器无法访问、数据传输中断或网络性能下降。

5.1 网络故障症状

服务器无法访问网络
网络连接不稳定，频繁断开
网络速度明显下降
网络丢包率高
DNS解析失败

5.2 网络故障诊断方法

# 检查网络接口状态
# ifconfig eth0
eth0: flags=4163 mtu 1500
inet 192.168.1.100 netmask 255.255.255.0 broadcast 192.168.1.255
inet6 fe80::20c:29ff:fe1a:b2c3 prefixlen 64 scopeid 0x20 ether 00:0c:29:1a:b2:c3 txqueuelen 1000 (Ethernet)
RX packets 12345 bytes 12345678 (11.7 MiB)
RX errors 0 dropped 0 overruns 0 frame 0
TX packets 12345 bytes 12345678 (11.7 MiB)
TX errors 0 dropped 0 overruns 0 carrier 0 collisions 0

# 检查网络连接
# ping -c 4 192.168.1.1
# ping -c 4 www.google.com

# 检查路由表
# route -n

# 检查DNS配置
# cat /etc/resolv.conf

# 检查网络服务状态
# systemctl status network
# systemctl status NetworkManager

# 检查系统日志中的网络错误
# grep -i network /var/log/messages | tail -20
# grep -i eth0 /var/log/messages | tail -20

5.3 网络故障排除步骤

检查网络电缆连接是否牢固
检查网络接口状态
检查IP地址和子网掩码配置
检查路由表和DNS配置
检查网络设备（交换机、路由器）状态
如果问题仍然存在，考虑更换网络接口卡

生产环境风哥建议：使用网络冗余技术，如网络 bonding，提高网络可靠性。

6. 电源故障诊断与排除

电源故障会导致服务器无法启动或突然关机。更多学习教程公众号风哥教程itpux_com

6.1 电源故障症状

服务器无法启动，没有电源指示灯
服务器突然关机或重启
电源指示灯闪烁或变红
系统日志中出现电源相关错误

6.2 电源故障诊断方法

# 检查电源状态
# ipmitool power status
Chassis Power is on

# 检查电源详细信息
# ipmitool sdr list | grep -i power
Power Supply 1 | 0x00 | ok | 10.1 | Power Supply AC lost
Power Supply 2 | 0x00 | ok | 10.2 | Power Supply AC lost

# 检查系统日志中的电源错误
# grep -i power /var/log/messages | tail -20

6.3 电源故障排除步骤

检查电源插座是否通电
检查电源电缆连接是否牢固
检查UPS状态（如果使用）
检查服务器电源供应器状态
如果问题仍然存在，考虑更换电源供应器

7. 散热系统故障诊断与排除

散热系统故障会导致服务器温度过高，从而影响性能或导致硬件损坏。

7.1 散热系统故障症状

服务器温度过高
风扇噪音异常大
风扇不运转
系统出现温度相关错误
服务器自动关机（温度保护）

7.2 散热系统故障诊断方法

# 检查服务器温度
# sensors
coretemp-isa-0000
Adapter: ISA adapter
Package id 0: +45.0°C (high = +80.0°C, crit = +90.0°C)
Core 0: +42.0°C (high = +80.0°C, crit = +90.0°C)
Core 1: +43.0°C (high = +80.0°C, crit = +90.0°C)
Core 2: +41.0°C (high = +80.0°C, crit = +90.0°C)
Core 3: +44.0°C (high = +80.0°C, crit = +90.0°C)

# 检查风扇状态
# ipmitool sdr list | grep -i fan
Fan 1 | 0x00 | ok | 7.1 | 3200 RPM
Fan 2 | 0x00 | ok | 7.2 | 3100 RPM
Fan 3 | 0x00 | ok | 7.3 | 3300 RPM
Fan 4 | 0x00 | ok | 7.4 | 3200 RPM

# 检查系统日志中的温度错误
# grep -i temperature /var/log/messages | tail -20
# grep -i fan /var/log/messages | tail -20

7.3 散热系统故障排除步骤

检查风扇是否运转正常
检查散热片是否清洁，有无灰尘
检查服务器周围通风是否良好
检查风扇电源连接是否牢固
如果问题仍然存在，考虑更换风扇

风哥风哥提示：定期清理服务器灰尘，确保散热系统正常运行，避免温度过高导致硬件损坏。

8. 固件故障诊断与排除

固件故障会导致服务器无法启动或运行不稳定。

8.1 固件故障症状

服务器无法启动，出现固件错误代码
系统运行不稳定，频繁死机
硬件设备无法识别
固件更新失败

8.2 固件故障诊断方法

# 检查BIOS版本
# dmidecode -t bios | grep -A 5 “BIOS Information”

# 检查UEFI版本
# efibootmgr -v

# 检查服务器固件版本
# ipmitool fru list | grep -i version

# 检查系统日志中的固件错误
# grep -i bios /var/log/messages | tail -20
# grep -i firmware /var/log/messages | tail -20

8.3 固件故障排除步骤

检查固件版本是否最新
尝试更新固件到最新版本
如果更新失败，尝试恢复到之前的固件版本
检查固件设置是否正确
如果问题仍然存在，联系硬件厂商支持

9. 故障诊断工具

使用专业的故障诊断工具可以帮助快速定位和解决硬件故障。

9.1 常用故障诊断工具

ipmitool：用于管理和监控服务器硬件
sensors：用于监控服务器温度和风扇状态
smartctl：用于监控磁盘健康状态
memtest86+：用于测试内存故障
fsck：用于检查和修复文件系统错误
dmesg：用于查看系统启动和硬件错误信息

# 安装常用故障诊断工具
# yum install -y ipmitool lm_sensors smartmontools memtest86+ e2fsprogs

# 配置sensors
# sensors-detect

# 启动IPMI服务
# systemctl start ipmi
# systemctl enable ipmi

10. 故障诊断流程

建立标准化的故障诊断流程，可以提高故障处理效率和准确性。

10.1 故障诊断步骤

收集信息：了解故障现象、发生时间、环境变化等
分析日志：查看系统日志、硬件日志等
隔离故障：通过排除法确定故障组件
验证故障：使用诊断工具验证故障原因
修复故障：根据故障原因采取相应的修复措施
验证修复：确认故障已解决
记录故障：记录故障原因、修复过程和预防措施

10.2 故障预防措施

定期进行硬件健康检查
保持服务器环境清洁，确保通风良好
定期更新固件和驱动程序
使用UPS保护服务器免受电源波动影响
建立完善的备份策略，防止数据丢失
制定硬件更换计划，及时更换老化设备

生产环境风哥建议：建立硬件故障应急预案，明确故障处理流程和责任人，提高故障响应速度。

author:www.itpux.com

本文由风哥教程整理发布,仅用于学习测试使用,转载注明出处:http://www.fgedu.net.cn/10327.html