Linux 服务器硬件故障排查笔记

以下是一份详细的 Linux 服务器硬件故障排查笔记记录，涵盖常见硬件组件的故障类型、排查方法及 Linux 相关命令：

1. 内存（RAM）

故障类型

排查方法

解决方法

2. 硬盘（HDD/SSD）

故障类型：

排查方法：

解决方法：

3. CPU

故障类型：

排查方法：

解决方法：

4. 主板（Motherboard）

故障类型：

排查方法：

解决方法：

5. GPU

故障类型：

排查方法：

解决方法：

6. 电源（PSU）

故障类型：

排查方法：

解决方法：

7. 风扇

故障类型：

排查方法：

解决方法：

8. 网卡（NIC）

故障类型：

排查方法：

解决方法：

9. 转接板/交换板/供电板

故障类型：

排查方法：

解决方法：

10. BMC（基板管理控制器）

故障类型：

排查方法：

解决方法：

11. BIOS/UEFI

故障类型：

解决方法：

12. RAID 控制器

故障类型：

排查方法：

解决方法：

通用排查工具

注意事项

1. 内存（RAM）

故障类型：

ECC 错误（内存校验错误）

内存条接触不良

内存槽损坏

内存容量识别异常

内存过热或不兼容

排查方法：

1. 查看内存错误日志：

dmesg | grep -i "memory\\|ecc\\|error" # 检查内核日志中的内存错误
journalctl -k | grep -i "memory" # 查看系统日志中的内存问题

2. 内存压力测试：

memtester 2G 10 # 测试内存稳定性（需安装 memtester）
stress-ng –vm 4 –vm-bytes 2G –timeout 60s # 模拟内存压力

3.
查看内存信息
：
dmidecode -t memory # 显示内存详细信息（型号、容量、速度）
free -h # 查看已识别内存容量

解决方法：

重新插拔内存条，清理金手指。
更换内存插槽测试。
更新 BIOS/UEFI 固件。
替换故障内存条。

2. 硬盘（HDD/SSD）

故障类型：

坏道/物理损坏
S.M.A.R.T 错误
RAID 阵列降级/失效
接口接触不良（SATA/SAS/NVMe）
文件系统损坏

排查方法：

1. 查看硬盘状态：

smartctl -a /dev/sda # 检查 S.M.A.R.T 信息（需安装 smartmontools）
lsblk # 查看硬盘设备列表
hdparm -i /dev/sda # 查看硬盘参数

2. RAID 状态检查：

cat /proc/mdstat # 查看软 RAID 状态
MegaCli -LDInfo -Lall -aAll # MegaRAID 阵列状态（需安装 MegaCLI）

3.
文件系统检查
：
fsck /dev/sda1 # 强制修复文件系统（需卸载分区）

解决方法：

替换故障硬盘并重建 RAID。
使用 `badblocks` 检测坏道：

badblocks -v /dev/sda # 扫描坏道

恢复备份数据。

3. CPU

故障类型：

过热（散热不良）
微码错误
核心不稳定（超频导致）
物理损坏

排查方法：

1. 温度监控：

sensors # 查看 CPU 温度（需安装 lm-sensors）

2. 查看 CPU 负载：

top # 实时监控 CPU 使用率
mpstat -P ALL 1 # 查看各核心负载

3.
检查 CPU 错误日志
：
dmesg | grep -i "cpu\\|mce" # 检查 CPU 相关的硬件错误

解决方法：

清理散热器，更换硅脂。
更新 BIOS 和 CPU 微码：

apt install intel-microcode # 更新 Intel CPU 微码

4. 主板（Motherboard）

故障类型：

电容鼓包/漏液
接口损坏（PCIe、USB）
BIOS/UEFI 固件错误
时钟芯片故障

排查方法：

1. 查看主板信息：

dmidecode -t baseboard # 显示主板详细信息

2.
检查 PCIe 设备
：
lspci -vvv # 查看 PCIe 设备状态

解决方法：

更换主板或维修电容。
重置 BIOS 设置（通过跳线或电池放电）。

5. GPU

故障类型：

驱动崩溃
显存错误
过热或风扇故障

排查方法：

1. 查看 GPU 状态：

nvidia-smi # NVIDIA GPU 状态（需安装驱动）
radeontop # AMD GPU 监控

2.
检查内核日志
：
dmesg | grep -i "gpu\\|drm"

解决方法：

更新 GPU 驱动。
清理散热器或更换风扇。

6. 电源（PSU）

故障类型：

电压不稳
电源模块损坏
供电不足

排查方法：

1. 查看 IPMI/BMC 日志（需支持）：

ipmitool sel list # 查看硬件事件日志

2.
检查系统日志
：
journalctl -u ipmi # 查看 IPMI 相关日志

解决方法：

更换电源模块。
使用冗余电源。

7. 风扇

故障类型：

转速异常
停转
噪音过大

排查方法：

sensors # 查看风扇转速（需主板支持）
ipmitool sensor # 通过 IPMI 监控

解决方法：

清理灰尘，更换故障风扇。

8. 网卡（NIC）

故障类型：

链路中断
驱动不兼容
MAC 地址丢失

排查方法：

ethtool eth0 # 查看网卡状态（连接速度、丢包）
ip link show # 检查网卡接口状态
dmesg | grep -i "eth0\\|network"

解决方法：

更新网卡驱动：

modprobe -r ixgbe && modprobe ixgbe # 重新加载驱动（示例）

9. 转接板/交换板/供电板

故障类型：

接口氧化
信号干扰
供电不稳定

排查方法：

1. 物理检查：观察指示灯状态。

2. 查看连接设备：

lshw -short # 列出所有硬件连接

解决方法：

更换转接板或加固连接。

10. BMC（基板管理控制器）

故障类型：

IPMI 服务无响应
固件漏洞
登录失败

排查方法：

ipmitool mc info # 查看 BMC 状态
ipmitool lan print # 检查网络配置

解决方法：

重置 BMC：

ipmitool mc reset cold

11. BIOS/UEFI

故障类型：

配置错误
固件过时
启动项丢失

解决方法：

重置 BIOS 默认设置。
更新固件（从厂商官网下载）。

12. RAID 控制器

故障类型：

电池失效（BBU）
缓存错误
固件不兼容

排查方法：

MegaCli -AdpAllInfo -aAll # 查看 RAID 卡信息
MegaCli -PDList -aAll # 查看物理磁盘状态

解决方法：

更换 RAID 卡电池。
更新 RAID 卡固件。

通用排查工具

1. 硬件信息汇总：

lshw # 列出所有硬件详细信息
inxi -Fxz # 系统概览（需安装 inxi）

2.
日志分析
：
dmesg # 内核日志
journalctl -p 3 -xb # 查看系统错误日志

注意事项

备份数据：在操作前确保关键数据已备份。
静电防护：操作硬件时佩戴防静电手环。
固件更新：定期检查厂商固件更新。

此笔记可作为快速参考手册，实际操作需结合具体硬件型号和厂商文档。