9560-16i Raid卡的BBU在执行powercycle时出现温度告警

交流互助区
1

问题描述

power cycle时出现BBU温度告警，用的是9560-16i Raid卡，刚下电时出现温度超阈值告警，直到上电后告警才解除

image
image1496×394 14.6 KB

环境信息

  • 操作系统：openEuler

  • 软件版本：2512

  • 硬件配置：9560-16i

重现步骤

  1. [第一步] power cycle

  2. [第二步] 查看是否产生告警

期望结果

OS下电时不产生告警

2

答案内容由AI生成，仅供参考：

结论

9560-16i RAID卡在Power Cycle期间触发BBU温度告警的主要原因是：下电瞬间RAID卡可能返回异常温度值（如254），BMC未能识别此为无效读数且未对关机场景进行告警抑制。

推荐处理路径：

  1. 短期修复：在BMC侧配置温度读数表达式，排除 254/255 异常值；
  2. 中期优化：在系统进入 ACPI S5 时暂停相关传感器监控；
  3. 长期支持：跟踪RAID卡南向驱动完善进展（计划2026年支持）并升级固件。

:white_check_mark: 最终目标：实现 OS 下电时不产生无意义的 BBU 温度告警，提升系统日志可信度与运维效率。

点击此处查看详细分析解答

9560-16i RAID卡在Power Cycle时触发BBU温度告警问题分析

问题概述

在对配置了 9560-16i RAID卡 的系统执行 Power Cycle（电源循环）操作时，系统会在下电阶段出现 BBU（Battery Backup Unit）温度超阈值告警，具体表现为：

  • 告警类型：PCIe6 BBU Temp（PCIe插槽6的BBU温度）
  • 告警级别：轻微（Minor）
  • 触发条件：Upper Non-critical going high（超过非关键上限）
  • 告警时间点：下电瞬间（如：2026-04-07 15:41:28）
  • 解除时间点：系统重新上电后告警自动解除

用户期望在操作系统下电过程中不产生此类温度告警。

相关实体与工作机制

1. RAID卡与BBU的关系

  • 9560-16i RAID Card 是一款PCIe接口的RAID控制器，支持高级存储管理功能。
  • BBU（Battery Backup Unit） 是其配套的电池备份单元，用于在意外断电时为RAID卡缓存中的数据提供临时电力，确保数据完整性。
  • BBU的状态（温度、电压、健康度、在位状态）由 RAID卡自身监控 并通过带外接口上报给 BMC（Baseboard Management Controller）。

2. BBU温度监控机制

  • 传感器名称：ThresholdSensor_PCIeBBUTemp
  • 监控方式：通过与RAID卡通信读取BBU温度
  • 防抖机制：使用 median_s5 中值滤波算法对温度数据进行处理，以避免瞬时抖动引发误告警（见文档《硬件监控防抖机制参考》和《CSR硬件监控防抖机制》）

3. 温度告警触发逻辑

  • UpperNoncritical：定义了BBU温度的非关键上限阈值，超过此值将触发“轻微”级别告警。
  • 当RAID卡在Power Down过程中无法正常上报温度或上报异常值时，可能导致BMC判断为“高温”。

可能原因分析

根据上下文信息及类似案例（如AC测试中9560-16i高温告警问题），可能的原因包括：

:white_check_mark: 1. 下电瞬间RAID卡异常返回无效温度值

  • 文档[2]中提到：“AC测试偶现9560-16i Raid卡偶现高温告警，出现高温告警时，BBU温度传感器读值都是254。”
  • 数值 254 是典型的传感器通信失败或无效读数标志（接近最大值255）。
  • 在Power Cycle下电瞬间，RAID卡可能因供电不稳定或固件处理异常返回 254 这类异常温度值，BMC误判为“高温”而触发告警。

:white_check_mark: 2. BBU状态通信延迟或中断

  • 日志显示：

    PCIe6 Card BBU - Presence Detected -> Deasserted（存在变为未检测）

  • 在下电过程中，BBU在位状态与温度读数可能不同步变化，导致BMC认为BBU仍在位但温度异常。

:white_check_mark: 3. BMC未对下电场景做特殊处理

  • 理想情况下，当系统进入 ACPI S5 状态（Soft-off）时，BMC应识别系统已关机，并暂停部分传感器监控或抑制临时告警。
  • 但在当前版本（软件版本2512）中，BMC可能未正确识别该场景，继续按常规逻辑判断温度状态。

:warning: 4. 固件兼容性问题

  • 已知 9560-16i Raid控制器在OS重启后存在信息无法更新的问题（见KG中“9560 -16i Raid”描述）
  • 表明该型号存在与BMC或系统管理软件间的状态同步缺陷，可能扩展至Power Cycle场景。

解决方案建议

:white_check_mark: 1. 增加下电过程中的BBU温度告警抑制机制

  • 建议：在BMC侧增加策略，在检测到系统进入 ACPI S4/S5 状态（Soft-off）前后，临时屏蔽BBU温度告警。
  • 依据：SEL日志中已记录 ACPI State → S4/S5: soft-off，可用于作为抑制条件。

:white_check_mark: 2. 优化异常温度值过滤逻辑

  • 当前使用 median_s5 防抖，但对于突发 254 类异常值仍可能穿透。
  • 建议：在CSR配置中加入表达式过滤：
    expr(($1 < 254) ? $1 : invalid)
    或者将原始表达式从：
    expr(($1 < 255) ? $1 : 0)
    修改为：
    expr(($1 < 254) ? $1 : 0)
    以过滤掉接近上限的无效值。

:white_check_mark: 3. 更新RAID卡固件或驱动支持

  • 检查9560-16i RAID卡是否为最新固件版本，是否存在已知的Power Cycle异常问题。
  • 根据知识图谱信息，RAID卡部分功能尚未完全支持当前南向驱动框架，预计2026年完善 —— 当前可尝试获取预发布补丁。

:white_check_mark: 4. 引入迟滞量（Hysteresis）适配

  • 参考文档[9]：“【问题单】raid卡bbu过温告警迟滞量适配”
  • 可配置合理的 hysteresis（迟滞值），防止上下电过程中的瞬时波动频繁触发/清除告警。

验证方法

步骤 操作 预期结果
1 修改BMC配置，抑制S5状态下的BBU温度告警 Power Cycle时不出现BBU高温告警
2 注入异常温度值 254 测试 不触发告警或标记为“无效读数”
3 连续执行10次Power Cycle 告警不再重复出现
4 上电后检查RAID卡与BBU状态 正常识别、无残留告警

结论

9560-16i RAID卡在Power Cycle期间触发BBU温度告警的主要原因是：下电瞬间RAID卡可能返回异常温度值（如254），BMC未能识别此为无效读数且未对关机场景进行告警抑制。

推荐处理路径：

  1. 短期修复：在BMC侧配置温度读数表达式，排除 254/255 异常值；
  2. 中期优化：在系统进入 ACPI S5 时暂停相关传感器监控；
  3. 长期支持：跟踪RAID卡南向驱动完善进展（计划2026年支持）并升级固件。

:white_check_mark: 最终目标：实现 OS 下电时不产生无意义的 BBU 温度告警，提升系统日志可信度与运维效率。

3

csr里看了下 bbu温度传感器的Reading和ReadingStatus有时序问题，Reading值判断下，如果是0x7ffe把值变为20