متدولوژی مهندسی نگهداری، پایش و مدیریت سرور HPE ProLiant

استقرار سرورهای سازمانی اچ‌پی در بسترهای سازمانی و خوشه‌های پردازشی نیازمند رعایت الزامات دقیق نگهداری فعال (Proactive Maintenance) و مانیتورینگ لایه‌به‌لایه است. عدم تدوین دستورالعمل‌های دوره‌ای سرویس و بی‌توجهی به پیام‌های هشداردهنده در سطح چیپست‌های کنترلی، ریسک توقف ناگهانی سرویس‌ها (Unplanned Downtime) و استهلاک پیش از موعد قطعات پرهزینه‌ای همچون پردازنده‌های اینتل زئون (Intel Xeon Scalable)، درایوهای حالت جامد سازمانی و منابع تغذیه را به میزان چشمگیری افزایش می‌دهد.

مدیریت پایدار سرورهای HPE ProLiant نیازمند پیاده‌سازی متدهای پایش لحظه‌ای، شناخت کدهای خطا در سطوح پایین سخت‌افزاری (Low-level Hardware Logs) و هماهنگی فریمور تمامی ماژول‌ها با استفاده از بسته‌های رسمی شرکت سازنده است.

پیکربندی و مانیتورینگ پیشرفته سخت‌افزار با تراشه اختصاصی HPE iLO

پردازنده مدیریت یکپارچه خارج از باند (Out-of-Band Management) در سرورهای اچ‌پی تحت عنوان Integrated Lights-Out یا به اختصار iLO شناخته می‌شود. نسل‌های دهم و یازدهم سرورهای پرولیانت به ترتیب از تراشه‌های iLO 5 و iLO 6 با معماری امنیتی ریشه اعتماد سیلیکونی (Silicon Root of Trust) بهره می‌برند. دسترسی به iLO مستقل از وضعیت سیستم‌عامل میزبان، بایوس یا روشن بودن سرور برقرار است.

مدیران زیرساخت جهت نگهداری بهینه باید تنظیمات زیر را در کنسول مدیریتی iLO لحاظ کنند:

• پایش مداوم سوابق لاگ یکپارچه سخت‌افزاری (Integrated Management Log – IML): تمام رخدادهای سخت‌افزاری اعم از تغییر ولتاژ، افزایش دمای ماژول‌های رم، خطاهای تصحیح‌پذیر ECC و خطاهای باس PCIe مستقیماً در این گزارش ثبت می‌شوند. ارزیابی هفتگی لاگ‌های IML مانع از غافلگیری ناشی از خرابی کنترلرهای رید یا سوختن پاور می‌گردد.
• اتصال به پروتکل SNMP و Syslog سرور: ارسال خودکار ترپ‌های هشداردهنده (SNMP Traps) از چیپست iLO به نرم‌افزارهای مانیتورینگ شبکه مانند Zabbix یا PRTG، امکان مطلع شدن فوری کارشناسان را در صورت بروز هرگونه اختلال فیزیکی مهیا می‌سازد.
• پایش سلامت سلامت هیت‌مپ حرارتی (3D Sea of Sensors): سرورهای اچ‌پی دارای ده‌ها حسگر حرارتی پراکنده روی برد اصلی، رایزر کارت‌ها، اسلات‌های حافظه و ورودی‌های فن هستند. از طریق رابط گرافیکی iLO، وضعیت فن‌های خنک‌کننده و الگوی دمایی تک‌تک زون‌ها قابل بازبینی و عیب‌یابی است.

به‌روزرسانی اصولی فریمور و درایورها با استفاده از HPE SPP و ابزار SUM

یکی از اشتباهات رایج در مدیریت سرور HPE، آپدیت دستی، جزئی یا ناسازگار درایورها از منابع غیررسمی است. ناهماهنگی بین ورژن Firmware کنترلر ذخیره‌ساز (Smart Array Controller) و نرم‌افزار راه‌انداز سیستم‌عامل، می‌تواند به از کار افتادن آرایه ذخیره‌سازی، قفل شدن خطوط I/O و حتی از بین رفتن داده‌های حساس منجر شود.

رویکرد استاندارد سازمانی، استفاده از پکیج تجمیعی HPE Service Pack for ProLiant یا به اختصار SPP است:

• شناسایی خودکار نیازمندی‌ها توسط Smart Update Manager (SUM): ابزار هوشمند SUM فایل ISO بسته SPP را تحلیل کرده و وضعیت فریمور تمام اجزا اعم از بایوس (System ROM)، ماژول TPM، کارت‌های شبکه، فریمور کنترلر ذخیره‌ساز و چیپست iLO را بررسی می‌کند.
• پیاده‌سازی به دو روش Online و Offline: فرآیند بروزرسانی می‌تواند بدون نیاز به ریبوت‌های مکرر از داخل سیستم‌عامل (Online Deployment) یا از طریق بوت کردن ایمیج SPP روی حافظه رم سرور (Offline Maintenance Mode) انجام پذیرد. اجرای روش آفلاین ضریب پایداری را به بالاترین سطح ممکن ارتقا می‌دهد.
• به‌کارگیری ویژگی فریمور رول‌بک (System Recovery & Firmware Rollback): در صورت بروز نقص، قطع برق حین فلش شدن میکروکدها یا ناسازگاری نسخه‌های جدید، با تکیه بر حافظه فلش دوگانه (Dual Flash ROM) سرور به آخرین نسخه سالم بازگردانده می‌شود.

جدول مقایسه دوره‌های نگهداری و چک‌لیست سرویس سرورهای HPE ProLiant

مانیتورینگ کنترلرهای ذخیره‌سازی و سلامت آرایه‌های ذخیره‌ساز

دیسک‌های ذخیره‌سازی و کش شتاب‌دهنده کنترلرها بیشترین میزان استهلاک فیزیکی و شیمیایی را در تجهیزات دیتاسنتر تحمل می‌کنند. سیستم‌های مبتنی بر کنترلرهای سخت‌افزاری نظیر HPE Smart Array (سری‌های P408i، P816i و کنترلرهای نسل یازدهم MR) نیازمند نظارت دقیق هستند:

• پایش وضعیت سلامت باتری کنترلر رید (Smart Storage Battery): ماژول کش فلش کنترلرها (FBWC) برای حفظ تراکنش‌های معلق نوشتن هنگام قطع ناگهانی برق، به باتری‌های لیتیومی یا خازن‌های ذخیره‌ساز متکی هستند. در صورت کاهش ظرفیت نگهداری شارژ این ماژول، کنترلر بلافاصله مکانیزم Write-Back Caching را جهت محافظت از داده غیرفعال کرده و به حالت Write-Through تغییر وضعیت می‌دهد که این موضوع افت بسیار شدید عملکرد دیسک‌ها را در پی دارد. وضعیت خازن باید در کنسول iLO یا نرم‌افزار HPE SSA تحت نظارت قرار گیرد.
• تحلیل شاخص‌های فرسودگی حافظه‌های فلش (SSD Wear Gauge): درایوهای حالت جامد سازمانی طول عمر محدودی بر حسب ترابایت‌های نوشته‌شده (TBW) دارند. ابزارهای مدیریت استوریج اچ‌پی درصد سلامت باقی‌مانده اس‌اس‌دی‌ها را نمایش می‌دهند تا پیش از اتمام چرخه مفید (Drive Lifespan)، قطعه جایگزین سفارش داده شود.
• بررسی خطاهای مربوط به بازسازی درایوها (Drive Rebuild & Predictive Failure): درایوهای مکانیکی و فلش قبل از سوختن کامل، خطاهای خواندن متعدد (SMART Event) تولید می‌کنند. چراغ وضعیت دیسک در این مرحله به رنگ کهربایی (Amber) چشمک‌زن تغییر یافته و پیام خرابی قریب‌الوقوع در گزارش IML درج می‌شود. تعویض به‌موقع این درایوها از فرآیندهای طولانی Rebuild که به سایر دیسک‌های سالم فشار وارد می‌کند جلوگیری به عمل می‌آورد.

مدیریت متمرکز دیتاسنتر با استفاده از پلتفرم HPE OneView

زمانی که تعداد سرورها و تجهیزات ذخیره‌سازی از حد چند شاسی فراتر می‌رود، مدیریت تک‌به‌تک کنسول‌های iLO فرآیندی زمان‌بر و خطاپذیر است. پلتفرم نرم‌افزاری HPE OneView راهکاری مبتنی بر زیرساخت کدپذیر (Software-Defined Infrastructure) است که مدیریت ده‌ها و صدها رک سرور، استوریج‌های سازمانی و سوئیچ‌های شبکه را در یک نقطه تجمیع می‌کند.

امکانات استراتژیک این پلتفرم در نگهداری کلان زیرساخت عبارتند از:

• الگوهای پیکربندی سرور (Server Profiles): تعریف پروفایل‌های سخت‌افزاری استاندارد شامل نسخه‌های بایوس، تنظیمات کنترلر رید، اتصالات کارت شبکه و تخصیص پورت‌های SAN سوئیچ، پیکربندی سریع شاسی‌های جدید را در چند دقیقه بدون کوچک‌ترین خطای انسانی محقق می‌سازد.
• خودکارسازی استقرار و مهاجرت تنظیمات: در صورت بروز نقص بحرانی در مادربرد یک سرور، پروفایل سرور آسیب‌دیده با تمامی آدرس‌های فیزیکی MAC و کانفیگ‌های بوت به یک سرور فیزیکی آماده‌به‌کار (Spare Node) منتقل می‌شود.
• اتصال به ابزارهای تحلیل ابری و پشتیبانی Proactive Care: یکپارچگی OneView با پایگاه‌های اطلاعاتی شرکت اچ‌پی، فرآیند عیب‌یابی را بدون نیاز به ورود مستقیم نیروی انسانی تسهیل کرده و گزارش تغییرات زیرساخت را به‌صورت خودکار در اختیار مدیران قرار می‌دهد.

الزامات محیطی، نگهداری فیزیکی و اصول توزیع جریان الکتریکی

بخش قابل توجهی از خطاهای گزارش‌شده روی پردازنده‌ها، کنترلرهای رید و کارت‌های شبکه به نوسانات حرارتی محیط و تغییرات ولتاژ مربوط می‌شوند. رعایت پارامترهای زیر ضامن پایداری فیزیکی سرورها است:

• جریان هوای شاسی و مدیریت کابل‌کشی (Cable Management): تجمع نامنظم کابل‌های شبکه و برق در پشت رک، مانع از خروج هوای گرم ساطع‌شده از سمت هیت‌سینک‌ها و منابع تغذیه به راهروی گرم (Hot Aisle) می‌شود. استفاده از بازوهای استاندارد نگهداری کابل (CMA) و داست بلانک‌های مسدودکننده شیارهای خالی سرور (Blanking Panels)، جریان هوای خطی درون سرور را بهینه نگاه می‌دارد.
• توزیع بار میان پاورهای افزونه (Redundant Power Supplies): پاورهای سرورهای رکمونت باید همواره در حالت لود شیرینگ (Load Balancing) یا تعویض خودکار خط در صورت افت ولتاژ (Auto-Failover) قرار گیرند. اتصال کابل‌های دو پاور سرور به دو فاز یا دو دستگاه UPS مجزا ضامن تداوم کارکرد شاسی در هنگام قطع یکی از خطوط برق شبکه توزیع است.
• تمیزکاری استاندارد سیستم‌های خنک‌کننده: غبارگرفتگی پره‌های فن‌ها و رادیاتور هیت‌سینک پردازنده، انتقال حرارت به هوا را به تعویق انداخته و کنترلر سرور را ناچار به افزایش دور موتور فن‌ها (RPM بالا) می‌کند. این امر موجب نویز شدید صوتی و در نهایت تراتلینگ (Thermal Throttling) پردازنده‌ها می‌گردد. پاکسازی فیزیکی باید صرفاً با جریان هوای فشرده خشک و با مهار پره‌های فن با ابزارهای غیرفلزی (جهت جلوگیری از چرخش معکوس و القای ولتاژ برگشتی به مادربرد) صورت پذیرد.

چگونه می‌توان وضعیت سلامت باتری کش کنترلر رید را در سرور HPE ارزیابی کرد؟

سلامت ماژول هوشمند باتری و خازن کش (Smart Storage Battery) مستقیماً از طریق تب Power & Thermal در کنسول مدیریتی iLO یا با اجرای نرم‌افزار HPE Smart Storage Administrator (SSA) قابل بازبینی است. پیام‌های افت ظرفیت شارژ در لاگ‌های IML نیز ثبت می‌شوند.

پیام خطای Predictive Failure روی درایوهای سرور HPE به چه معناست؟

این خطا توسط سنسورهای هوشمند درایو (SMART) ارسال می‌شود و حاکی از افزایش سکتورهای معیوب، خطاهای اصلاح‌ناپذیر خواندن یا پایان طول عمر مفید چیپ‌های فلش است. این پیام پیش از سوختن کامل درایو صادر می‌شود تا کارشناس پیش از شکست آرایه اقدام به تعویض هات‌پلاگ دیسک کند.

تفاوت اصلی به‌روزرسانی فریمور به روش آنلاین و آفلاین از طریق بسته SPP چیست؟

در متد آنلاین، پکیج‌های نصبی از طریق عامل‌های نرم‌افزاری مستقر در سیستم‌عامل بدون خاموش کردن سرور تزریق شده و با ریبوت پایانی اعمال می‌شوند. در متد آفلاین، سرور مستقیماً با ایمیج SPP بوت شده و کلیه فرم‌ورها در محیط اختصاصی بدون دخالت سیستم‌عامل به‌روزرسانی می‌گردند که از تداخل نرم‌افزاری جلوگیری می‌کند.

علت چرخش فن‌های سرور HPE با حداکثر دور موتور (Full Fan Speed) چیست؟

بالا رفتن دور فن‌ها دلایلی نظیر عدم نصب صحیح ایر بافل (Air Baffle)، باز ماندن درب شاسی سرور، عدم تطابق دمایی در یکی از سنسورهای Sea of Sensors، نصب کارت‌های PCIe متفرقه ناشناخته برای بایوس یا غبارگرفتگی شدید مجاری خنک‌کننده دارد.

پروتکل امنیتی Silicon Root of Trust در تراشه‌های iLO چه نقشی در نگهداری سرور دارد؟

این معماری یک اثر انگشت رمزنگاری‌شده دائمی درون سیلیکون تراشه iLO است که اصالت فریمورهای بایوس، کنترلرها و ماژول‌های حیاتی را پیش از لود شدن بررسی می‌کند. در صورت تزریق بدافزار یا فریمور دستکاری‌شده، فرآیند بوت متوقف شده و سیستم به‌صورت خودکار فریمور اورجینال را بازیابی می‌نماید.