1. 课程导入
在数据中心里，服务器最怕的不是“性能不够”，而是“突然断电”。一次市电波动、一路 PDU 跳闸、一个电源模块风扇卡死，都可能让整台服务器宕机，进而影响虚拟机、数据库、存储集群和在线业务。服务器电源冗余与热插拔设计，正是为了解决“单点电源故障导致系统不可用”这一核心问题而存在的一整套硬件架构、供电拓扑、控制逻辑与运维规范。
本课程围绕“冗余”和“热插拔”两个关键词展开。冗余解决的是“坏了还有备份”的可用性问题；热插拔解决的是“坏了能在线更换”的可维护性问题。两者结合，才能让服务器在电源模块故障、输入掉电、维护更换等场景下继续运行，实现真正意义上的高可用供电。
1.1 核心定义：什么是电源冗余与热插拔
电源冗余是指服务器配置两个或更多电源模块（PSU），通过并联、均流或主备方式共同为系统供电。当其中一个模块失效或输入断电时，其余模块能够立即接管负载，保证系统不断电。常见形式包括 1+1 冗余、N+1 冗余、2+2 冗余等。
热插拔是指在不关闭服务器、不中断业务的前提下，插入或拔出电源模块、风扇、硬盘等部件。对于电源而言，热插拔要求连接器、均流电路、ORing 电路、PMBus 通信和固件策略协同工作，确保拔插瞬间不会引起电压跌落、电流倒灌或系统复位。
一句话理解：冗余让服务器“坏一个还能活”，热插拔让运维“不用关机就能换”。二者共同构成服务器供电高可用的基础。
1.2 学习目标：学完本课程你能掌握什么
- 理解服务器供电链路：市电 → PDU → PSU → 配电板 → VRM → 芯片负载。
- 掌握 1+1、N+1、N+N 等冗余拓扑的差异、适用场景与失效边界。
- 理解 ORing 电路、均流控制、PMBus 通信、PSU 固件与 BMC 的协同关系。
- 能够分析电源热插拔过程中的浪涌、倒灌、电压跌落与告警日志。
- 能够设计电源冗余方案，并制定热插拔维护、测试与故障复盘流程。
- 能够识别“假冗余”“冗余但不可热插拔”“热插拔但触发宕机”等常见误区。
1.3 整体知识框架：从器件到系统的五层结构
本课程的知识框架可以按“器件—电路—模块—系统—运维”五层展开。下图展示了服务器电源冗余与热插拔设计的核心结构关系，包括输入侧、PSU 模块、ORing/均流、配电与负载、以及 BMC/PMBus 监控管理之间的连接关系。
1.4 行业价值：为什么数据中心必须重视电源冗余
在云计算、金融、电信、医疗和制造业中，服务器停机成本极高。以在线交易系统为例，每分钟停机可能带来数十万元损失；在超大规模数据中心中，一次电源故障可能影响数千台虚拟机。电源冗余与热插拔设计的行业价值主要体现在四个方面：
| 价值维度 | 具体表现 | 关键指标 |
|---|---|---|
| 业务连续性 | 单电源故障时系统不宕机，业务无感知切换 | 可用性 99.99% 以上 |
| 在线维护 | 无需关机即可更换故障 PSU，缩短 MTTR | MTTR 从小时级降至分钟级 |
| 能效与成本 | 均流运行降低单模块热应力，提升转换效率 | PSU 效率 80 PLUS 白金/钛金 |
| 可观测性 | PMBus/BMC 提供电压、电流、温度、告警数据 | 故障可定位、可预测 |
1.5 典型场景：从“单电源宕机”到“冗余在线更换”
假设一台 2U 服务器配置两个 1600W 电源，采用 1+1 冗余。某天 PSU 1 因风扇故障触发过温保护，输出关闭。此时 PSU 2 通过 ORing 电路立即承担全部负载，BMC 记录“PSU 1 故障”并点亮机箱告警灯。运维人员收到告警后，在业务低峰期直接拔出 PSU 1，插入备件，系统全程未关机。这个过程中涉及的关键点包括：
- ORing 电路必须快速隔离故障模块，防止电流倒灌。
- 均流母线需要重新分配电流，避免 PSU 2 过载。
- BMC 需要正确识别“在位但故障”与“拔出”两种状态。
- 热插拔连接器需要保证先接地、后通电，避免打火。
提示：冗余不等于绝对安全。如果两个 PSU 共用同一路 PDU 或同一路市电，输入侧仍是单点故障。真正的冗余需要从输入、模块、配电到负载全链路考虑。
1.6 常见误区与复盘思路
初学者容易把“装了两个电源”等同于“高可用”。实际项目中，以下误区非常常见：
- 假冗余：两个 PSU 接入同一路 PDU，PDU 跳闸后双电源同时失效。
- 冗余但不可热插拔：固件未使能热插拔，拔插时触发系统复位。
- 均流失效：一个 PSU 长期满载、另一个轻载，导致单模块提前老化。
- 告警遗漏：BMC 未配置 PSU 告警上报，故障长期未被发现。
- 备件不兼容：更换的 PSU 固件版本或功率等级不匹配，无法并联。
复盘时应围绕“输入是否独立、模块是否均流、ORing 是否可靠、BMC 是否可见、更换是否在线”五个问题逐项核查。只有把冗余设计和热插拔流程都验证到位，服务器供电系统才能真正支撑业务的高可用运行。
注意：热插拔操作必须遵循厂商规范。不同品牌服务器的 PSU 拔插顺序、告警确认方式、固件要求可能不同，严禁在未确认冗余状态的情况下直接拔除电源。
1.7 本课程学习路径
后续章节将依次展开：电源基础与供电链路、冗余拓扑与均流原理、ORing 与热插拔电路、PMBus 与 BMC 管理、PSU 选型与能效、故障诊断与日志分析、热插拔测试与运维规范、以及数据中心级供电冗余设计。建议在学习过程中结合真实服务器、BMC 日志和 PSU 规格书，边学边验证。
# 示例：通过 BMC 查看电源状态（不同平台命令可能不同）
ipmitool sdr type "Power Supply"
ipmitool sensor list | grep -i psu
ipmitool sel list | grep -i "power supply"
# 关注字段
# PSU1/PSU2 Presence : 在位状态
# PSU1/PSU2 Status : 正常 / 故障 / 输入丢失
# PSU1/PSU2 Input : 输入电压
# PSU1/PSU2 Output : 输出电压 / 电流
# PSU1/PSU2 Temp : 模块温度掌握这些基础后，你就能从“看到两个电源”进阶到“理解冗余如何生效、热插拔如何安全执行、故障如何被快速定位”。这正是本课程希望带给你的核心能力。