3. 验证环境规划与基线建立

计算节点稳定性验证的结论是否可信，很大程度上取决于验证环境是否受控。同一台 Supermicro 节点，在 25 ℃ 冷通道、双路市电、独立 PDU 的机房里跑 72 小时不出错，与在 32 ℃、单路供电、与高功耗设备混插的机柜里跑 72 小时不出错，两者说明的问题完全不同。因此本章要解决的不是"怎么测"，而是"在什么条件下测、测之前记录什么"，即环境规划与基线数据采集。

一、机房环境要求：先确定可接受的边界

稳定性验证对机房环境的核心诉求是"可控且可复现"。建议在验证前明确以下边界，并作为后续所有测试的固定前提：

• 温度：冷通道进风温度控制在 18～27 ℃，推荐 22±2 ℃。若验证目标是高温降额场景，应单独设计高温工况（如 30 ℃、35 ℃），而不是让环境温度随机漂移。
• 湿度：相对湿度 30%～65%，避免低于 20% 引发静电风险，高于 70% 引发凝露。
• 洁净度与气流：机柜前后应保持足够净空，前门进风、后门出风不得被线缆或挡板遮挡；地板送风机柜需确认开孔率与风量匹配。
• 噪声与振动：验证区域应远离冲压、叉车等强振动源，避免误判为节点故障。

需要强调的是，环境参数不是"越优越好"，而是"越稳定越好"。验证期间温度波动超过 ±3 ℃，就可能掩盖或放大某些间歇性故障，使结果无法归因。

二、机柜布局与供电、制冷评估

Supermicro 计算节点常见形态包括 1U/2U 机架式与多节点（如 2U 4 节点、4U 8 节点）机箱。布局时应遵循"高功耗集中、风道一致"的原则：同一机柜内尽量放置功耗相近的节点，避免一台 4U 8 节点机箱与低功耗存储设备混插导致局部热回流。

供电评估要落到具体数字。以一台典型双路 2U 节点为例，配置 2×800 W 冗余电源，实测满载功耗约 650 W，则单节点按 0.65 kW 估算；一个 42U 机柜放 10 台，总功耗约 6.5 kW，考虑 PDU 与线损按 1.2 倍冗余，机柜供电容量应不低于 8 kW。若采用双路 PDU（A/B 路），每路需能独立承载全部负载，即每路 ≥ 8 kW，否则单路故障时无法维持验证。

制冷评估关注三点：一是机柜进风温度是否与冷通道一致；二是单柜热负荷是否超过机房单位面积制冷能力；三是是否存在热点。可用机柜前后各布置 2～3 个温湿度记录点，验证期间每 5 分钟采样一次，作为环境基线的一部分。

三、网络接入规划

稳定性验证的网络应尽量独立，避免与生产业务共享上行链路。建议为验证机柜划分独立 VLAN，并明确三类连接：

• 管理网：连接 BMC/IPMI，用于远程开关机、查看 SEL 日志、采集传感器数据，建议千兆独立接入。
• 业务网：连接节点业务口，用于压力流量、集群通信，建议万兆或按实际业务速率配置。
• 存储/高速网：如涉及 NVMe over Fabrics 或 RDMA，需单独规划，避免与管理网混跑。

接入后应记录每台节点的 BMC IP、业务 IP、MAC、交换机端口号，形成"节点—端口—IP"对应表，便于故障时快速定位是节点问题还是网络问题。

四、验证前基线数据采集

基线是"验证开始前节点处于健康状态"的证据。没有基线，后续出现的任何异常都无法判断是环境引入、配置引入还是硬件本身缺陷。基线采集建议在节点上电、系统安装完成、空载稳定 30 分钟后进行，至少包含以下内容：

采集完成后应形成一份基线快照，并记录采集时间、环境温度、节点序列号。后续验证中若出现异常，第一步就是与基线对比：温度是否升高、固件是否被改动、SEL 是否新增条目、性能是否下降。

五、环境与基线的关系

把上述内容串起来看，环境规划与基线建立其实是一条"约束—记录—比对"的链路：机房与机柜条件给出验证的物理边界，供电与制冷决定节点能否在目标功耗下持续运行，网络接入保证数据可采集、故障可定位，而基线数据则是判断"是否发生变化"的参照系。只有这条链路完整，后续的压力测试、长时间运行和故障注入才有意义。

实际执行时，建议把上述三层做成一张《验证环境与基线确认表》：环境层填写机房温湿度、机柜编号、PDU 容量、网络 VLAN；基线层填写每台节点的序列号、固件版本、关键传感器值、性能基线值；比对层留出验证期间每日记录栏。这样在验证结束后，任何异常都能沿着"环境是否变化—基线是否被打破—节点是否异常"的顺序快速归因，而不是凭印象判断。