参考答案
内容深度:适中 · 无代码示例 · 来源:AI 生成 · 未复核 · 近 7 天更新
标准流程:
- 接警与确认:收到硬件告警(ECC、电源、风扇、温度)后,确认客户、资源 ID、影响范围;初步判断是否业务中断。
- 通知与窗口:联系客户告知风险,申请维护窗口;如果是紧急故障需按紧急变更流程处理。
- 信息收集:登录带外管理(IPMI/iLO/iDRAC)抓取 SEL 日志、系统 dmesg、/var/log/messages、GPU nvidia-smi 和 ECC 计数,保存现场。
- 执行操作:按 SOP 重启或联系机房更换硬件;执行 EVA 操作前核对资源、客户和配置,双人复核,执行分配/回收/迁移,保留变更单。
- 验证与恢复:操作后验证硬件状态、GPU 识别、业务健康,确认告警恢复。
- 汇总与关闭:更新故障列表,记录故障现象、处理过程、根因、恢复时间,通知客户并回访。
EVA 操作关键步骤:资源核对、变更审批、备份配置、操作执行、业务验证、回退方案、更新 CMDB。风险控制:错窗口、误操作、配置丢失、业务中断;通过双人复核、维护窗口、自动化脚本验证和回退演练降低。