利用大规模调试的真正潜力

核心观点与关键数据

• 大规模服务器调试的重要性： 研究强调历史数据与故障点数据同样重要，停机成本不仅包括“灰色故障”（基础设施正常运行但未达到预期性能），还应考虑避免停机时间。正确的遥测数据是系统调试的关键，需在问题持续扩大前收集。
• 参考实现架构： 提出一种从 BMC 到主机芯片组的 JTAG 连接，更大规模模拟目标探测的平台挂钩。架构包括处理器、开放系统 FIRMWARE、Higher 管理软件层、基础设施所有者选择、IO 设备、传感器（I2C/MCTP）、TMSJTAG 控制器等组件。
• 目标能力： 实现故障预测与故障诊断，特别是针对实验室难以重现、大规模环境特定的工作负载故障。通过在故障点收集失败和遥测数据（如内存读写带宽、缓存分配、电源控制事件等）及英特尔微架构状态的加密提取，更快更准确地诊断问题。
• 数据采集与分析：
  • JTAG 与 PECI： JTAG 停止 CPU 访问但提供更丰富数据集（调试挂起时），PECI 无需停止 CPU 即可访问 MSR（推荐用于运行时监控）。
  • BMC 作为枢纽： BMC 收集并存储首次故障数据，但历史数据有限；Higher 管理软件层可进行更深入分析。
  • 遥测类型： 包括 CPU 访问异常、利用率和功耗等，通过训练算法检测异常。
• 应用场景：
  • 云（ASD）： 多租户无状态计算（可用性关键）、安全遥测（非侵入式心跳数据）、停机时间分析（远程 OOB 调试）。
  • 存储： 状态计算/传递（数据可靠性关键）、快速 FRU 识别、预测性分析（主动迁移工作负载）。

研究结论与呼吁

• 结论： 大规模调试需结合历史与实时遥测数据，BMC 作为中心节点可有效整合与分析信息，尤其对“灰色故障”预测与诊断有显著价值。开放系统 FIRMWARE 和 PECI 是关键技术支撑。
• 呼吁行动：
  • 鼓励提出重要遥测类型建议。
  • 反馈关于 BMC 中心化与主机中心化理念的优劣。
  • 计划将框架贡献给 OpenBMC，并邀请社区参与审核与扩展。