四电源环境下重启 BMC，概率性出现电源冗余丢失告警

交流互助区
1

问题描述

环境搭载四电源，做长时间 BMC 重启测试，概率性出现电源冗余丢失告警，丢失后 1s 恢复，概率 2/100

image
image1706×112 16.6 KB

初步定位，怀疑是模块间启动时序问题

可以看到，电源的 OnePower 对象还是逐个加载上树，电源冗余告警就告了出来，待到 OnePower 对象加载完成后告警消失，怀疑是 power_strategy 太早开始监听冗余告警，没有等到 BMC 完全启动完成，涉及闭源模块，请帮忙确认机制及问题原因

image
image1810×643 673 KB

环境信息

社区 330 基线

2

答案内容由AI生成，仅供参考：
好的，根据您提供的问题描述、日志信息以及知识库中的相关内容，我对该问题进行分析和解答。

问题根因分析

您所遇到的在四电源环境下BMC重启后概率性出现电源冗余丢失告警的问题，根因与您的初步定位一致，即 power_strategy 模块的启动时序问题。具体来说，是模块间初始化顺序不当导致的“假阳性”冗余告警。

根据知识库中《冷复位BMC产生电源冗余告警问题分析》文档的分析，该问题的核心机制如下：

  1. RedundancyFailure 标志位过早置位：在 BMC 启动过程中，power_strategy 模块的 energy_metric.lua 组件在未等待所有电源 (OnePower) 对象完全加载并上报稳定状态之前，就过早地将冗余状态标志 RedundancyFailure 设置为 true。这在日志中第 13140 行 得到印证：Set RedundancyFailure to true。

  2. OnePower 对象逐个上树：从日志的第 12915行 到 13252行 可以看出，四个电源的 OnePower 对象是逐个被添加到资源树上的，这个过程持续了超过13秒。

  3. 告警触发逻辑：

    • 告警事件 PSURedundancyLost_01010A 的触发条件是 RedundancyFailure 的值 <= 1。由于 RedundancyFailure 是布尔值，true 即为1。
    • 当 RedundancyFailure 被设置为 true 时，1 <= 1 条件成立，告警立刻被触发。
    • 从日志看，RedundancyFailure 在 05:56:20 被置为 true，而 energy_metric.lua 的告警检查功能在 05:56:20 开始生效，这导致了告警的立即产生（日志 13358行 记录的事件确认了这一点）。

  4. 告警恢复：直到 05:56:25，energy_metric.lua 才将 RedundancyFailure 设置为 false（日志第 13266行），告警随即解除。这与您描述的“丢失后 1s 恢复”现象略有出入，实际冗余失效状态持续了约 5秒，而告警的Asserted和Deasserted事件相隔1秒，可能是因为事件轮询周期或日志时间戳精度差异。

总结： 问题的根本原因是 power_strategy 模块在 BMC 启动的早期阶段，未等待所有 OnePower 对象初始化完成并上报PSU状态，就提前将 RedundancyFailure 标志置为 true，导致在 OnePower 对象加载完成前错误地触发了电源冗余丢失告警。

解决方案建议

根据知识库中提供的分析，解决此问题的核心思路是延迟冗余状态的判断时机。建议的解决方案如下：

  1. 延迟 RedundancyFailure 置位逻辑：

    • 将 power_strategy 模块中 Set RedundancyFailure to true 的逻辑执行时机，从当前的启动早期，推迟到所有 OnePower 对象加载完成并稳定上报状态之后。
    • 可以通过监听 OnePower 模块的初始化完成信号或 OnePower.Status 接口属性就绪的事件来实现。只有当所有预期的 OnePower 对象都出现在资源树上，并且其 OutputState、Health 等关键状态正常时，才执行冗余状态检查。

  2. 优化 OnePower 对象加载顺序或机制：

    • 尽管日志显示对象是逐个加载的，但可以考虑优化 OnePower 对象的加载并行度，或为 PSU 的初始化分配更高的优先级，使其在 power_strategy 开始工作前完成。

  3. 考虑增加防抖机制：

    • 在冗余状态的判断逻辑中加入防抖 (Hysteresis) 机制。例如，仅在 RedundancyFailure 连续为 true 超过一定时间（如 5-10秒）后，才触发告警。目前 Event_PSURedundancyLost_01010A 的 Hysteresis 为0，没有任何过滤，导致短暂的 true 状态也会触发告警。

由于您提到 power_strategy 涉及闭源模块，您可以将上述分析和对齐方案反馈给负责该模块的团队，请求他们按照“在 OnePower 模块全部加载完成后，再进行冗余状态判断”的思路进行修复。

3

涉及的一键收集

dump_info.zip (7.8 MB)