V2EX › zx94438011 的所有回复 › 第 1 页 / 共 2 页

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

For Existing Member Sign In

1 2

❮

❯

2 天前

回复了 jebem 创建的主题 › 硬件 › 显示器突然黑屏，几秒后重新亮起，笔记本检测到的事件热插拔

可以按成本从低到高来排除：

1. 先换线。拿一根确认能跑到你这个分辨率和刷新率的 HDMI 线，两头插紧；条件允许的话，改走笔记本的 Type-C （ DP Alt ）口对比一下。
2. 把刷新率从 200Hz 降到 144Hz 或 120Hz 用几天。高刷新率下链路余量更小，线材或接口稍差就容易短暂掉信号，降下来还不掉的话，线和接口的嫌疑就大了。
3. 换一个视频输出口、或者用另一台设备接这台显示器。笔记本接别的显示器不掉、这台显示器接别的设备也不掉，才能把问题落到具体某一头。
4. 前三步都做完还掉，再去找售后查显示器或笔记本接口。

你描述的是黑屏时显示器灯还亮、也没提示“无信号”，同时系统日志里是热插拔事件，更像是链路在重新握手，先从线和刷新率入手比较省事。

10 月 28 日

回复了 zx94438011 创建的主题 › 硬件 › RAID 换盘为什么要一块一块来：连换三块盘把阵列弄异常了，顺便说说重建期间要盯什么

@ryd994 是，mdadm 的 --replace 就是这么干的，新盘同步完老盘才退出，冗余一直在。硬 RAID 卡也有类似的 replace/copyback ，但得看卡和固件支不支持，老机器上不确定的话还是一块一块来稳妥。

10 月 27 日

回复了 zhengfan2016 创建的主题 › 硬件 › 手持 96GB ddr4，现在升级 D5 64GB 平台划算吗

@zhengfan2016 先看双卡拿来干啥。打游戏第二槽 x4 基本无感，跑大模型按层切到两张卡上影响也不大，要做张量并行才吃带宽。96G 换 64G 等于多花钱还少了 32G ，如果本来就是冲着大内存跑模型，D4 这套留着更值。

10 月 23 日

回复了 wises 创建的主题 › 硬件 › 说个事，我认为跟下来短时间内存还会继续涨

@alexluo1 配服务器的话也可以看看上一代 DDR4 平台，二手 RDIMM 渠道多一些。插的时候同一通道的条子 rank 和频率尽量一致，混插会按最慢的那条跑。

10 月 19 日

回复了 zx94438011 创建的主题 › 硬件 › SSD 到底能用几年？闪迪给了个公式，顺便说说服务器上怎么看盘快不快写坏了

@doveyoung 我们是做服务器维保的，稿子会用工具整理，内容我们自己核对。

10 月 19 日

回复了 zx94438011 创建的主题 › 硬件 › 一个 1 兆瓦的 AI 机柜，用 54V 光铜排就要 200 公斤：英伟达要把机柜供电换成 800V 直流

@processzzp 有相通的地方：800V 直流的绝缘检测、上下电顺序、带电作业防护，电动车那套高压规范在机房一样要讲。机柜这边再加上服务器和网络，算是多一门手艺。

10 月 18 日

回复了 zx94438011 创建的主题 › 硬件 › SSD 到底能用几年？闪迪给了个公式，顺便说说服务器上怎么看盘快不快写坏了

@Overfill3641 对，系统日志、系统更新、休眠文件，再加上浏览器和视频网站的缓存，都在往系统盘写。90TB/3 年大约每天 80GB ，消费级 1TB 盘一般标 600TBW 左右，离上限还远。想省点寿命，可以把浏览器缓存挪到别的盘；平时看 SMART 里的「已用寿命百分比」（ Percentage Used ）就够了。

10 月 17 日

回复了 zx94438011 创建的主题 › 硬件 › SSD 到底能用几年？闪迪给了个公式，顺便说说服务器上怎么看盘快不快写坏了

@Need4more 同意，介质错误（ Media Errors ）的增量比磨损百分比更说明问题，涨起来就该排换盘了。
@loading 按「服务器被偷走」来设计备份，这个思路很实在。新盘到手先跑一轮 smartctl 和读写测试再上线，能筛掉一部分早期坏盘。
@datocp 22 块盘做 RAID10 跑 MSSQL 还是死锁，多半是锁和查询本身的问题，盘再快也解决不了。刷成 IT 模式改用软 RAID 或 ZFS 的话，换盘和重建的流程也最好演练一遍。健康度 94% 的旧盘上服务器，最好放在有冗余的阵列里。

10 月 16 日

回复了 zx94438011 创建的主题 › 硬件 › 英伟达自己的光模块文档里写着：链路故障 80% 是光接口脏了

@cm2gseh 同意，温度这块很实在。DDM 里除了收光功率，模块温度和激光偏置电流也值得一起看：偏置电流一直往上爬、收发功率还往下掉，多半是激光器在老化，这种擦接口没用，直接换。经常拔插的，金手指和端面都要顺手检查。

10 月 15 日

回复了 zx94438011 创建的主题 › 硬件 › 用过的 DDR4 还能接着用： Marvell 新出的 CXL 扩展芯片，一台服务器能多挂 9TB 内存

@sosme #2 哈哈，9TB 是一台服务器 18 个插槽都插 512GB 大条的上限，主要给推理、数据库这类特别吃内存的场景用，家用基本碰不到。

10 月 15 日

回复了 zx94438011 创建的主题 › 硬件 › 用过的 DDR4 还能接着用： Marvell 新出的 CXL 扩展芯片，一台服务器能多挂 9TB 内存

@handsome198311 #1 消费级这边确实如此。服务器那边也类似，新机 DDR5 贵、交期长，不少机房先把在用的 DDR4 机器修着用；等 CXL 扩展芯片铺开（ Marvell 说明年一季度送样），拆下来的 DDR4 RDIMM 还能再用一轮。

10 月 11 日

回复了 zx94438011 创建的主题 › 硬件 › Meta 机柜里自带一排电池，把集中 UPS 拆了：从市电到服务器损耗 21–27% 降到 7.5%

@loading 特斯拉早期确实用 18650 ，也公开过不少专利。Meta 这套机柜电池走的是 OCP 开放规范，是不是参考了特斯拉，我们没查到出处，不好下结论。能确定的是两边思路相近：用很多颗成熟的小电芯，加上电池管理，坏一块换一块，机柜不用停。

10 月 9 日

回复了 zx94438011 创建的主题 › 硬件 › Meta 机柜里自带一排电池，把集中 UPS 拆了：从市电到服务器损耗 21–27% 降到 7.5%

@loading 对，18650 圆柱电芯一般自带泄压阀和过压断开（ CID ），单颗相对可控。机房更担心的是成组以后：一颗出问题会不会传到旁边。所以电池包里还要靠 BMS 盯温度和电压，加上电芯之间的隔热和熔断。一块 66 节、一层 6 块、一个机房几百柜，数量上来以后，消防方案一般还是按锂电单独评估。

10 月 8 日

回复了 zx94438011 创建的主题 › 硬件 › 光模块里那颗 DSP 占了近一半功耗， LPO 和 CPO 都想把它拿掉

@ellipsecheung 对，大规模用的还没有。LightCounting 也是把线性方案的大规模部署放在 2027 到 2031 年，文里说的「绕开 DSP 」是方向，量还没起来。

@Autonomous DAC 确实省电又便宜，几米以内是首选。只是速率越高跑得越短，800G 下大约两三米，再远就得上两头带 DSP 的 AEC ，或者直接上光。

10 月 8 日

回复了 zx94438011 创建的主题 › 硬件 › 光模块里那颗 DSP 占了近一半功耗， LPO 和 CPO 都想把它拿掉

@v1 40G 一点不拖后腿。40G 是 4 路 10G 的 NRZ 信号，模块里用不着这种 DSP ，功耗也低得多，家里用正合适。DSP 是到了 PAM4 （ 200G 、400G 这一代）才成了光模块里的标配。

@willygeek007 传输这头其实已经在往这个方向走了。CPO 是把光引擎搬到交换芯片旁边；再往前一步，是用光直接把芯片和芯片连起来，Marvell 去年底宣布花 32.5 亿美元收购的 Celestial AI 做的就是这个。计算本身用光还早，眼下光电转换省不掉，只是转换的位置离芯片越来越近。

10 月 7 日

回复了 zx94438011 创建的主题 › 硬件 › Meta Muse 每人一台 2C8G 虚拟机， 1 亿用户要多少颗 CPU？两种算法差了 30 倍

@zbinlin 两层都有。按 Meta 的说明和用户实测，每个用户先分到一台 Linux 虚拟机（有人在里面确认是 Cloud Hypervisor ），虚拟机里再用 systemd-nspawn 起一个容器跑代理的代码，容器里的 root 映射成非特权用户。所以 nspawn 是虚拟机里面那层隔离，不是用它来开虚拟机。2 vCPU 、约 7.7GiB 内存是虚拟机这一层看到的数，也是用户实测值，Meta 没有承诺每人都是这个配置。

10 月 7 日

回复了 zx94438011 创建的主题 › 硬件 › Meta Muse 每人一台 2C8G 虚拟机， 1 亿用户要多少颗 CPU？两种算法差了 30 倍

@firemeteor 说得对，我上面说「不行」说重了。内存能超，ballooning 、KSM 、换出到盘都是办法。差别在超过头的后果：CPU 超多了是变慢，内存超多了、客户机又真的同时要用，就得换页或者触发 OOM 。这类助理的虚拟机大部分时间闲着，气球能收回不少，所以实际能超，只是比例要比 CPU 保守。我那条按不超售算的 8 亿 GB 是上限，不是实际要的量。

10 月 7 日

回复了 zx94438011 创建的主题 › 硬件 › Meta Muse 每人一台 2C8G 虚拟机， 1 亿用户要多少颗 CPU？两种算法差了 30 倍

@zeni123 同意，CPU 可以超卖，内存不行。按每台 8GB 算，1 亿台不超售是 8 亿 GB ，折成 64GB 的内存条是 1,250 万条。CPU 九成时间在等模型回应，能挤；内存只要虚拟机开着就占着，能省的办法只有把闲置的休眠或换出到盘上。所以这类业务真铺开，先卡住的多半是内存，其次才是 CPU 。

10 月 4 日

回复了 zx94438011 创建的主题 › 硬件 › 英伟达自己说， V100 快十年了还在跑客户业务

@intoext 交换机是真能扛，除了风扇没什么活动部件，电源不出事就能一直跑。那批老机器现在还有不少在当接入层用，最后退役往往不是因为坏了，而是端口速率跟不上，或者固件不再更新了。

10 月 4 日

回复了 huhy 创建的主题 › 服务器 › 服务器自己关机

BMC 运行时间没断，只能说明整机没掉过电，电源线和 PDU 这一路没问题，还不能排除硬件。可以分两步看：

1. 先看 BMC 里的系统事件日志（ SEL ），不是告警页。找关机那个时间点记的是什么：OS 发起的软关机（ ACPI S5 / soft-off ）、电源键被按，还是 thermal trip 、电源保护、watchdog 超时。这几种的方向完全不同。

2. 再看系统里上一次启动的日志结尾：`journalctl --list-boots` 找到上一次，再 `journalctl -b -1 -e`，顺便 `last -x | grep -E 'shutdown|reboot'`。结尾如果有完整的停服务过程，就是有东西发了关机指令，去查 logind 有没有记到电源键事件、定时任务、UPS 或管控软件、麒麟自带的电源策略。日志如果是突然断的，没有关机过程，那就偏硬件，重点看过温和供电。

另外可以把 kdump 配上，再开着 BMC 的 SOL 串口日志，下次再关就能留下最后的输出。

1 2

❮

❯