《服务器测试百日学习计划——Day14：BMC基础与健康状态，为什么服务器排障不能只看OS》

大家好，我是JACK，本篇是服务器测试百日学习计划Day14。

Day13 我们从网络吞吐继续往下走，开始看 IRQ、CPU 和 NUMA 之间的性能路径。今天切到另一个非常关键、但很多人容易低估的主题：

BMC 基础与健康状态。

如果说 Day13 解决的是"为什么网能通但性能不一定好"，

那 Day14 解决的就是：

为什么机器能亮、系统能起、设备能识别，但这台机器未必适合继续测。

---

一、为什么做服务器排障不能只看 OS

很多人刚做服务器排障时，第一反应都是进系统，然后：

• 看 dmesg
• 看 ip a
• 看 lspci
• 看 top

这些当然都重要，但问题是：

OS 看到的是"带内视角"，不是完整的硬件视角。

服务器排障时，很多异常根因并不一定先在 OS 里暴露出来，比如：

• 机器过温
• 风扇异常
• PSU 掉电
• 电压波动
• 板卡掉电
• 反复重启

这些信息，往往 BMC 比 OS 更早、更直接看到。

所以整机 SIT 里有一个很重要的习惯：

先看 BMC，再看 OS。

---

二、什么是 BMC

BMC（Baseboard Management Controller）可以先简单理解成：

服务器的带外管理控制器。

它和 OS 不是一层东西。

哪怕出现下面这些情况：

• OS 还没起来
• 业务网口还没配
• 系统卡住了
• 带内服务异常

BMC 仍然可能继续工作，并提供：

• 登录入口
• 传感器状态
• 历史硬件事件日志
• 电源控制
• 远程控制台
• 固件管理

所以你要把 BMC 看成：

独立于 OS 的硬件观察面。

---

三、BMC 在整机 SIT 里的真正价值

BMC 最核心的价值有 3 个：

1. 看当前健康状态
2. 看历史异常记录
3. 给现场排障提供时间线证据

为什么这三点这么重要？

因为很多故障不是"现在还坏着"，而是：

• 刚刚坏过
• 间歇性出现
• 高负载时才会暴露
• 重启后暂时恢复

这种情况下，如果你只看 OS 或只看当前状态，就很容易误判。

---

四、今天必须掌握的三个概念

1. 传感器（Sensor）

传感器是当前硬件健康状态的实时入口。

常见项目包括：

• 温度
• 电压
• 风扇转速
• 电源状态
• 电流

2. SEL（System Event Log）

SEL 可以理解成：

BMC 侧记录的历史硬件事件日志。

它告诉你：

• 什么时候过温了
• 什么时候掉电了
• 什么时候风扇故障了
• 什么时候发生了告警或重启

3. 带外管理（Out-of-Band）

带外管理的意思是：

不依赖 OS 主业务网络，也能管理服务器。

这就是为什么：

• 系统没起来还能先从 BMC 看
• 业务网口没通也能先做管理
• 新项目 bring-up 阶段通常先打通 BMC

---

五、核心命令

今天最关键的两个命令是：

ipmitool sensor
ipmitool sel list

如果环境支持，也建议补看：

ipmitool sdr list full
ipmitool mc info
ipmitool fru

---

六、ipmitool sensor 和 ipmitool sel list 的区别

这是 Day14 最核心的一组概念。

ipmitool sensor

看的是：

当前传感器状态

也就是"现在这台机器怎么样"。

比如你会看到：

• CPU 温度
• 系统温度
• 风扇转速
• 电压
• PSU 状态

ipmitool sel list

看的是：

历史硬件事件日志

也就是"这台机器之前出没出过事"。

比如你会看到：

• 温度告警
• 风扇故障
• PSU lost
• Watchdog reset
• 重启事件

为什么两个都要看

因为它们回答的问题不一样：

sensor：看现在
SEL：看过去

最典型的场景就是：

• 现在 sensor 看起来一切正常
• 但 SEL 显示半小时前反复过温、掉电、风扇异常

如果你只看 sensor，会误以为机器一直健康。

如果你只看 SEL，又不知道它现在是否已经恢复。

真正有价值的是：

把当前状态和历史事件结合起来看。

---

七、标准训练顺序

第1步：先确认 BMC 能不能正常访问

你先要确认：

• BMC IP 是否可达
• Web 是否能打开
• ipmitool 是否能取到数据

如果 BMC 自己都不稳定，那后面拿到的数据也要谨慎看待。

第2步：先看当前传感器状态

ipmitool sensor

重点看：

• ok
• cr
• nr
• 是否接近阈值

今天你先不要求把所有字段都背下来，先能分清：

• 正常
• 临界
• 非恢复
• 不可用

第3步：再看 SEL 历史日志

ipmitool sel list

重点看：

• 最近有没有异常
• 异常是否集中发生
• 事件时间是否和现场故障时间对得上

第4步：把"现在"和"过去"拼起来

这一步是 Day14 真正的升级点。

比如：

• 现在温度正常，但过去反复过温
• 现在风扇转着，但过去有 fan fault
• 现在电源正常，但过去有 PSU lost

这才是整机 SIT 工程师真正关心的健康判断。

---

八、一个最典型的判断题

假设现在：

ipmitool sensor

看起来全正常，

但：

ipmitool sel list

里最近反复出现过温告警，

那这时能不能直接开始烧机或者跑 NPU 压力？

答案：不能。

原因很简单：

• 当前 sensor 正常，只说明现在这个时刻看起来正常
• SEL 里反复出现过温，说明这台机器近期已经暴露过热风险
• 烧机和 NPU 压力只会继续提高温度和功耗
• 如果根因没查清，继续压测很容易放大风险，导致降频、掉卡、重启甚至宕机

这时候正确动作不是"先跑再说"，而是先排查：

• 风道
• 风扇
• 机箱盖状态
• 环境温度
• 功耗策略
• 负载条件

---

九、BMC 和 OS 的关系到底怎么理解

你可以这样记：

OS：看系统已经识别出来的结果
BMC：看硬件当前状态和历史证据

OS 适合看：

• 驱动
• 块设备
• 网口
• 进程
• 性能指标

BMC 适合看：

• 传感器
• 历史事件
• 电源
• 风扇
• 过温
• 掉电
• 带外状态

所以真正靠谱的排障方式，从来都不是只站在 OS 这一边看问题，而是：

BMC + OS + 现场现象 三者一起看。

---

十、今天的硬性产出：BMC 状态表 + SEL 摘录

你可以直接按下面这个结构输出：

BMC 状态表

项目	当前状态	备注
CPU 温度	正常/异常	是否接近阈值
风扇	正常/异常	是否有低转速
PSU	正常/异常	是否掉电
电压	正常/异常	是否漂移

SEL 摘录

时间	事件	初步解释
2026-03-30 xx:xx	Fan fault	风扇可能掉速或连接异常
2026-03-30 xx:xx	PSU lost	电源输入异常或接触问题
2026-03-30 xx:xx	Temp high	近期出现过温风险

---

十一、今天最容易犯的错

错误1：把 BMC 只当网页登录入口

BMC 真正有价值的不是"能进去"，而是你会不会用它看健康和日志。

错误2：只看 sensor，不看 SEL

这样你会漏掉已经发生过、但暂时恢复的异常。

错误3：看到告警就立刻下最终结论

告警是线索，不是结论。

还要结合现场时间、负载、OS 日志和实际装配状态一起分析。

错误4：只看 OS，不看 BMC

这会让你错过很多硬件层异常证据。

---

十二、Day13 和 Day14 是怎么衔接的

Day13 解决的是：

为什么网络能通，但性能不一定好。

Day14 解决的是：

为什么机器能起，但状态不一定健康。

你可以这样理解：

Day13：偏性能路径
Day14：偏健康状态

这两个主题结合起来，才更接近真实的整机 SIT 视角。

---

十三、今天必须背下来的 3 句话

1. BMC 是独立于 OS 的带外管理入口。
2. ipmitool sensor 看当前状态，ipmitool sel list 看历史事件。
3. 健康判断不能只看现在，还要结合历史异常和现场现象。

---

十四、Day14 总结

Day14 的重点不是会打开 BMC 网页，而是建立"健康证据链"视角。

到这一步你应该知道：

• 为什么服务器排障不能只看 OS
• 为什么 sensor 和 SEL 必须一起看
• 为什么有历史过温、掉电、风扇异常时，不能直接带病压测

后面做整机稳定性测试、风扇故障排查、过温问题分析、BMC 健康检查时，这一章会直接变成你的基础能力。

欢迎关注 JACK的服务器笔记，我们下篇见！