1. ThinkSystem运维体系总览
在数据中心里，服务器故障从来不是孤立事件。一台XCC（Integrated Management Module，联想称XClarity Controller）告警，可能牵出电源模块、内存CE/UE错误、固件版本不一致，甚至上联交换机的链路抖动。ThinkSystem运维体系要解决的，正是把"看到告警—定位部件—判断影响—恢复业务—闭环复盘"这条链路变成可重复、可验证的工程动作。本课程的目标不是背命令，而是建立一套从硬件信号到业务可用性的判断框架。
一、故障诊断与运维的核心概念
先厘清三个层次。第一层是可观测性：服务器通过BMC（基板管理控制器，即XCC）、SEL（System Event Log，系统事件日志）、Fault LED、以及操作系统内的IPMI/Redfish接口，把温度、电压、风扇转速、电源状态、内存ECC计数等参数暴露出来。第二层是诊断：把原始事件翻译成"哪个部件、什么严重级别、是否需要立即停机"。第三层是运维：包括固件基线管理、配置一致性、备件更换、以及变更后的验证。
ThinkSystem的日志体系有一个关键约定：SEL记录的是硬件与固件事件，OS日志记录的是驱动与业务事件，两者时间戳必须对齐才能做因果判断。例如，一台SR650出现"Memory UE"告警，若SEL时间戳为14:03:22，而OS日志中内核在14:03:25报出进程被杀，则基本可判定为内存不可纠正错误导致系统崩溃，而非应用自身缺陷。这个"时间对齐"原则贯穿整个课程。
二、ThinkSystem产品线定位
ThinkSystem覆盖从边缘到核心数据中心的完整形态，理解产品线有助于判断"这台机器该用什么工具、备件和固件策略"。
| 系列 | 典型型号 | 定位与运维关注点 |
|---|---|---|
| 1U/2U机架 | SR630 V2、SR650 V2 | 通用计算主力，关注内存、电源冗余、XCC固件一致性 |
| 高密度/多节点 | SD530、SD650 V2 | 共享电源与散热，故障影响面大，需关注机箱级事件 |
| 刀片 | Flex System | 依赖机箱管理模块，诊断需区分节点故障与机箱故障 |
| GPU/加速 | SR670 V2、SR675 V3 | 高功耗、液冷或强风冷，关注GPU XID错误与散热余量 |
| 边缘 | SE350、SE450 | 环境恶劣、无人值守，强调远程带外管理与看门狗 |
不同系列的XCC功能基本一致，但事件ID和部件命名会随平台变化。例如SR650 V2的电源事件可能指向PSU1/PSU2，而SD650 V2则需先定位到具体节点再定位电源。运维人员必须建立"平台—部件—事件ID"的映射意识。
三、整体知识框架与学习路径
本课程的知识框架可以概括为"一个中心、两条主线、三层能力"。一个中心是业务可用性；两条主线是带外管理（XCC/Redfish）与带内诊断（OS/驱动/工具）；三层能力分别是：识别与采集、分析与定位、恢复与验证。
学习路径建议按以下顺序推进：先掌握XCC登录、SEL导出、Fault LED判读；再学习固件基线与XClarity Administrator的批量管理；然后进入具体部件诊断（内存、硬盘、电源、风扇、PCIe）；最后做综合排障与复盘。每一层都要能回答三个问题：输入是什么、观察到什么变化、如何判断结果。
上图把框架、两条主线和三层能力放在同一张图里，目的是让读者在后续章节中始终知道"当前学的内容落在哪一层、服务于哪条主线"。例如学习内存诊断时，采集属于第一层，ECC计数与SEL时间对齐属于第二层，更换DIMM后的MemTest与业务验证属于第三层。
四、一个可复用的诊断起点
为了让抽象框架落地，给出一个通用的诊断起点流程，后续章节会反复用到：
# 示例：通过Redfish快速获取系统健康与SEL摘要（示例IP，非实测）
curl -k -u USER:PASS https://192.168.10.20/redfish/v1/Systems/1
curl -k -u USER:PASS https://192.168.10.20/redfish/v1/Systems/1/LogServices/SEL/Entries
# 关注字段示例：
# Health: Warning / Critical
# PowerState: On / Off
# Entry: "Memory UE", "PSU1 Failure", "Fan 3 Low Speed"拿到这些字段后，判断顺序是：先看Health与PowerState确定系统是否在线；再看SEL中最早出现的Critical事件，而不是最后一条；最后回到XCC的传感器页面确认对应部件的实时读数。这个顺序能避免被"告警风暴"带偏。
本课程后续将围绕这套框架展开：从XCC与Redfish的实操，到内存、存储、电源、散热、PCIe、固件的专项诊断，再到XClarity Administrator的批量运维与故障复盘。读者应始终带着"输入—观察—判断—验证"的闭环意识去学习每一节，而不是孤立地记忆命令或事件ID。