1. 课程导入与全景认知

在数据中心里，Intel Xeon 服务器承担着大量核心业务负载。运维团队最常遇到的两类问题，一是“业务变慢了，但不知道慢在哪一层”，二是“资源快用满了，但不知道还能撑多久”。前者属于监控告警要解决的问题，后者属于容量运营要解决的问题。本课程的目标，就是把这两件事从“凭经验拍脑袋”变成“有指标、有阈值、有闭环”的工程化能力。

先明确边界。本课程讨论的对象是搭载 Intel Xeon 可扩展处理器的物理服务器及其关键子系统：CPU 核心与缓存、内存与 NUMA 拓扑、PCIe 设备与互联链路、以及承载它们的固件与操作系统层。我们不深入应用代码调优，也不讨论网络交换机和存储阵列的内部机制，但会关注它们与 Xeon 平台交互时暴露出的指标。换句话说，监控告警关注“现在是否异常”，容量运营关注“未来是否够用”，两者共用同一套底层指标，只是时间尺度和判断逻辑不同。

要读懂后续所有章节，必须先掌握一组核心术语。它们不是名词解释，而是后续所有指标和阈值的“坐标系”。

• RAS（Reliability, Availability, Serviceability）：可靠性、可用性、可服务性。Xeon 平台通过 ECC 内存、机器检查异常（MCA）、PCIe 高级错误报告（AER）等机制实现 RAS，监控中对应的是可纠正错误（CE）与不可纠正错误（UCE）的计数与告警。
• PMU（Performance Monitoring Unit）：性能监控单元。它是 CPU 内部的一组硬件计数器，可统计指令数、周期数、缓存命中、内存访问等事件，是 IPC、缓存命中率等指标的原始来源。
• TDP（Thermal Design Power）：热设计功耗，是散热设计参考值，不是实际功耗上限。容量运营中要区分 TDP 与真实功耗，避免按 TDP 估算机柜电力。
• IPC（Instructions Per Cycle）：每周期指令数，衡量 CPU 执行效率。IPC 下降往往意味着缓存未命中、内存带宽瓶颈或频率受限。
• NUMA（Non-Uniform Memory Access）：非统一内存访问。每个 CPU 插槽有本地内存，跨插槽访问延迟更高。NUMA 不均衡会直接表现为部分核心等待内存。
• LLC（Last Level Cache）：最后一级缓存，通常指 L3。LLC 命中率下降会推高内存带宽需求。
• 内存带宽：单位时间内内存子系统可传输的数据量，是内存密集型业务的硬约束。
• PCIe 通道：CPU 与网卡、NVMe、GPU 之间的高速通道，通道数不足或降速会限制 I/O 吞吐。
• QPI/UPI：Intel 的插槽间互联链路。UPI 是较新的名称，带宽和延迟直接影响跨 NUMA 访问性能。

这些术语之间的关系，可以用一张全景图来理解。下图展示了从硬件资源到监控指标、再到告警与容量决策的闭环结构，也是本课程后续章节的骨架。

这张图的关键在于“闭环”二字。硬件资源层产生原始信号，采集层把信号变成可读指标，监控告警做实时判断，容量运营做中长期判断，两者共享同一套指标，最后结论又反过来影响采集策略和阈值设置。如果只做告警不做容量，就会一直救火；只做容量不做告警，就会错过突发异常。

接下来看一个具体的判断示例，帮助理解指标如何联动。假设某台双路 Xeon 服务器运行内存密集型业务，运维观察到以下现象（以下为教学示例数据，非实测）：

单看 CPU 利用率，68% 并不高，不会触发告警。但把 IPC、LLC 命中率、内存带宽和 NUMA 本地命中放在一起，就能判断出：CPU 并不是“忙”，而是在“等内存”。这就是监控告警中“关联判断”的价值——不要只看单指标阈值，要看指标之间的因果关系。容量运营则进一步问：如果内存带宽已经到 91%，业务再增长 20%，这台机器还能撑多久？答案很可能是撑不住，需要提前规划扩容或调整 NUMA 绑定策略。

最后给出本课程贯穿始终的运营闭环，它不是流程图，而是一个可执行的工作顺序：

1. 建立基线：在业务稳定期采集 CPU、内存、PCIe、RAS 的常态指标，形成每类业务的参考区间。
2. 设置阈值：区分警告阈值和严重阈值，警告用于提前介入，严重用于触发告警和工单。
3. 关联分析：当告警触发时，同时查看 IPC、LLC、NUMA、带宽等关联指标，定位是计算瓶颈、内存瓶颈还是 I/O 瓶颈。
4. 容量评估：按周或按月统计资源水位和增长斜率，判断剩余可用时间。
5. 执行与复盘：扩容、调优或调整调度后，重新采集指标，验证问题是否缓解，并把结论写回基线和阈值。