软件行业运维部运维工程师服务器日常维护手册（执行版）.docxVIP

软件行业运维部运维工程师服务器日常维护手册（执行版）

第1章

1.1服务器硬件环境识别与状态监控

需通过`lscpu`、`cat/proc/cpuinfo`及`cat/sys/devices/system/cpu/cpu/topology`命令详细解析CPU拓扑结构，确认物理核心数量（如32核/8线程）与8个物理CPU插槽的映射关系，这是后续识别ECC内存错误源的基础。接着，利用`vmstat1`观察内存交换（Swap）频率，若发现`si`（交换入）数值持续超过`so`（交换出），且伴随系统响应变慢，则表明物理内存不足，需立即规划扩容。

通过`free-h`命令查看物理内存（PhysicalRAM）与交换空间（SwapSpace）的占用情况，若物理内存使用率超过85%且交换空间使用率超过90%，必须执行“内存压力测试”以定位瓶颈。在`dmesg|grep-ierror`中分析内核日志，若出现`ECCError`或`CRC校验错误`字样，需立即检查主板BIOS设置中的ECC模式，确认是否启用且参数是否匹配当前硬件规格。使用`htop`或`nvidia-smi`监控GPU显存（VRAM）占用率，若某节点显存使用率接近98%且出现`OutofMemory`错