1. 课程导入与治理框架

AMD EPYC 资产配置与生命周期治理，讨论的不是“买几颗 CPU”这么简单，而是把服务器处理器当作一类有明确价值、有明确风险、有明确责任人的企业资产来管理。EPYC 处理器通常以整机（如 1U/2U 机架服务器、GPU 计算节点）或板卡形式进入数据中心，一旦上架，它的型号、核心数、内存通道、PCIe 通道、功耗墙、固件版本、NUMA 拓扑就与业务性能、能耗成本、维保成本长期绑定。因此，治理的核心问题是：在正确的时间，把正确规格的 EPYC 资产，放到正确的机位和业务上，并在其性能、能效、可靠性不再匹配时，及时迁移、降级或退役。

本课程的目标可以拆成三层。第一层是“看得见”：建立 EPYC 资产的台账，能回答“我有多少颗、分别在哪、什么型号、什么固件、跑什么业务”。第二层是“管得住”：定义采购、上架、变更、监控、退役的流程与审批点，避免资产被随意挪用或长期闲置。第三层是“算得清”：用单位算力成本、单位功耗算力、故障率、剩余维保等指标，支撑扩容、替换和淘汰决策。范围覆盖从需求提出、选型采购、到货验收、上架配置、运行监控、变更迁移、故障处置，直到退役下架与数据清除的完整链路。

理解治理框架，最有效的方式是先看清“资产状态如何流动”。下面这张图把 EPYC 资产从需求到退役的主干状态、关键动作和判断条件放在一起，作为后续各章的索引。

从图中可以看到，治理不是一条单向流水线，而是一个带反馈的状态系统。运行阶段一旦发现性能或能效不达标，资产可能回到“上架与配置”重新调优，也可能直接进入退役。判断条件决定了资产走哪条路，而台账、流程、指标和责任矩阵是支撑这些判断的基础设施。

从采购到退役：关键动作与判断依据

在需求与选型阶段，业务方给出的往往是“我要跑 200 个虚拟机”或“我要训练一个 70B 参数模型”，治理团队需要把它翻译成 EPYC 规格。以虚拟化场景为例，若目标为 200 个 4 vCPU 虚拟机、平均每 vCPU 配 4GB 内存，则总需求约 800 vCPU、3.2TB 内存。按 1:2 超分比估算，物理核心需求约 400 核；考虑内存通道带宽，双路 64 核 EPYC（共 128 核、16 通道 DDR5）是合理起点。这里的关键判断是：核心数够不等于性能够，内存带宽和 PCIe 通道往往才是瓶颈。

采购与验收阶段，除了核对型号、数量、序列号，还要记录固件版本和保修起止日期。建议在到货时即采集一次基线信息，例如通过带外管理或操作系统命令读取 CPU 型号、微码版本、内存频率和 NUMA 节点数。这些数据直接进入资产台账，后续任何变更都以基线为参照。

# 示例：在 Linux 上采集 EPYC 资产基线（示例命令，实际输出因平台而异）
lscpu | grep -E "Model name|Socket|Core|NUMA|MHz"
sudo dmidecode -t processor | grep -E "Version|Core Count|Thread Count"
sudo dmidecode -t memory | grep -E "Speed|Size" | head -20
cat /sys/devices/system/node/node*/meminfo | grep MemTotal

上架与配置阶段是治理中最容易“埋雷”的环节。EPYC 的 NUMA 拓扑、内存交织、PCIe 拆分、电源策略都会显著影响业务表现。例如，对延迟敏感的数据服务，通常建议关闭跨 NUMA 内存交织，让进程绑定到本地节点；对吞吐型批处理，则可能开启交织以提升带宽利用率。配置完成后，应记录 BIOS 版本、关键选项和 NUMA 模式，作为该资产的“配置指纹”。

运行与监控阶段，治理从“静态台账”转向“动态指标”。至少应持续观察四类数据：CPU 利用率与每核有效算力、内存带宽与延迟、封装功耗与温度、以及硬件错误（如 ECC 纠错、PCIe 降速）。当某台 EPYC 服务器长期利用率低于 20%，或单位功耗算力明显低于同型号均值，就应触发容量评审，判断是迁移业务、重新配置，还是列入退役候选。

退役阶段常被忽视，但它是治理闭环的最后一环。退役不只是下架，还包括：确认业务已迁移、数据已按合规要求清除、资产台账状态更新、可复用部件（内存、网卡、加速卡）回收登记。对于含敏感数据的节点，数据清除必须有记录和审计痕迹，否则资产处置会带来合规风险。

治理落地的三个抓手

第一是台账。台账的最小字段应包括：资产编号、EPYC 型号、核心数、内存容量与通道数、机位、上架日期、固件版本、承载业务、维保到期日、当前状态。台账不必一开始就追求大而全，但必须保证“型号—机位—业务”三者可追溯。

第二是流程。至少定义四个审批点：选型审批、上架配置审批、重大变更审批、退役审批。每个审批点明确输入、输出和责任人。流程的价值不在于增加环节，而在于让每一次资产状态变化都有据可查。

第三是指标。建议从三个维度建立指标：容量（利用率、分配率）、能效（单位功耗算力、PUE 分摊）、可靠性（故障率、平均无故障时间、维保成本）。指标不需要多，但需要定期回顾，并与采购和退役决策挂钩。