https://www.cciepro.cn/posts/Recent content in Posts on 闫工的技术博客Hugo -- gohugo.iozh-cn© 2026 闫工 · [宁ICP备2026002305号-3](https://beian.miit.gov.cn/)Sat, 10 Oct 2026 07:00:00 +0800https://www.cciepro.cn/posts/gpu-log-collect-script/Sat, 10 Oct 2026 07:00:00 +0800https://www.cciepro.cn/posts/gpu-log-collect-script/GPU 掉卡、报障时售后要一包诊断日志，手工敲命令容易漏，碰上跳板机和非默认端口更折腾。我写了个脚本：一条命令收齐 9 类日志、按 SN 命名归档。附端口坑和踩过的雷。https://www.cciepro.cn/posts/server-decommission-data-wipe/Wed, 07 Oct 2026 11:00:00 +0800https://www.cciepro.cn/posts/server-decommission-data-wipe/客户退订后机器要重新入池，但盘里的数据得先清干净。没清完就入池，是数据事故。这篇写五步回收流程、擦除标准的分级怎么选、高敏场景的多轮覆写脚本，以及我踩过的几个坑。https://www.cciepro.cn/posts/self-service-whitelist-portal/Sun, 27 Sep 2026 07:00:00 +0800https://www.cciepro.cn/posts/self-service-whitelist-portal/客户开个白名单要走工单、等我手工改防火墙，效率低还容易越权。我做了个自助门户：客户提交、自动下发、全程留痕。中间踩了个 /32 不对称导致撤销静默失效的坑，排查过程写出来给你避坑。https://www.cciepro.cn/posts/gpu-cluster-network-acceptance/Wed, 23 Sep 2026 07:00:00 +0800https://www.cciepro.cn/posts/gpu-cluster-network-acceptance/交付验收只测 RoCE 计算网，等于只验了发动机。我把 6 个网络平面列成一张清单，配 6 个输出 CSV 的一键脚本，还整理了验收报告里最常见的 4 类硬伤——报告能不能签字，看这几条就够。https://www.cciepro.cn/posts/nat-loopback-hairpin/Sat, 19 Sep 2026 07:00:00 +0800https://www.cciepro.cn/posts/nat-loopback-hairpin/端口映射做完后，外网访问正常、内网用户用同一个公网 IP 访问服务器却打不开。根因是回包走了非对称路径，附华为/Cisco/Palo Alto 配法与排错表。https://www.cciepro.cn/posts/nvidia-field-diagnostic-workflow/Wed, 16 Sep 2026 06:45:00 +0800https://www.cciepro.cn/posts/nvidia-field-diagnostic-workflow/GPU 报障走 RMA，售后先要 fieldiag.log。它和 dcgmi、gpu-burn 怎么分工、诊断包从哪获取、skucheck 为什么报板卡不匹配、驱动怎么卸、FAIL 怎么定位到具体 GPU，一篇讲完。https://www.cciepro.cn/posts/prbs-400g-aoc-mpo-test/Sun, 13 Sep 2026 06:45:00 +0800https://www.cciepro.cn/posts/prbs-400g-aoc-mpo-test/退役机柜里拆出来的 400G AOC 和模块，插上就 up，但没质保、没有使用历史。先给 PASS/WARNING/FAIL 判定标准，再讲 6 台交换机怎么用 PRBS-31Q 正反各压 4 小时，附结果解读与排错表。https://www.cciepro.cn/posts/three-ai-workflows/Wed, 09 Sep 2026 06:45:00 +0800https://www.cciepro.cn/posts/three-ai-workflows/懒，但懒有懒的道理：重复的活就该交给机器。3 个在机房磨出来的 AI 工作流：改配置前先让 AI 审一遍、Excel 资产盘点、一键巡检。https://www.cciepro.cn/posts/local-deepseek-rag-for-alerts/Sun, 06 Sep 2026 07:00:00 +0800https://www.cciepro.cn/posts/local-deepseek-rag-for-alerts/凌晨被 300 条告警刷屏，手工翻日志找重点要 2 小时。我让 AI 先看一遍：先一行命令跑通’日志嘴替’，再把历史日志建成 RAG 知识库，越问越懂你的机房告警日志。全程本地部署、日志不出门，命令和坑都能抄。https://www.cciepro.cn/posts/tflops-nominal-vs-measured/Wed, 02 Sep 2026 07:00:00 +0800https://www.cciepro.cn/posts/tflops-nominal-vs-measured/客户拿标称 TFLOPS 跟你实测对不上，官网写 312 实测只有 67？很可能是精度、Dense/Sparse 的’口径’不同。一文讲清 TFLOPS 的坑，附 A800 vs L20 实测对比。https://www.cciepro.cn/posts/esxi-vm-recover-after-reinstall/Sun, 30 Aug 2026 07:00:00 +0800https://www.cciepro.cn/posts/esxi-vm-recover-after-reinstall/ESXi 系统盘重装后，原本的虚拟机全不见了？别急着格式化数据盘！只要数据盘没被碰过，里面虚拟机文件都还在。挂载快照卷 + 重新注册虚拟机，三步救回全部业务。https://www.cciepro.cn/posts/gpu-throttling-93c/Wed, 26 Aug 2026 07:00:00 +0800https://www.cciepro.cn/posts/gpu-throttling-93c/凌晨训练任务挂了，8 卡只剩 7 卡，温度 93°C 还带 Throttling——卡没坏，是太热了。从确认告警、风道检查、清灰换硅脂到 vBIOS 更新，完整排查流程，满载压回 80°C。https://www.cciepro.cn/posts/nvlink-half-broken-training-stuck/Sun, 23 Aug 2026 10:00:03 +0800https://www.cciepro.cn/posts/nvlink-half-broken-training-stuck/8 卡 A800 训练卡死，显卡全在、驱动正常，可训练就是跑不动。查下来是 GPU 之间的 NVLink 高速通道废了 5 条。改一行配置让服务「带伤上岗」，集群满血复活。https://www.cciepro.cn/posts/bmc-batch-password/Fri, 21 Aug 2026 07:00:00 +0800https://www.cciepro.cn/posts/bmc-batch-password/新机房上架 100 多台服务器，BMC 还是出厂默认密码？逐台登 Web 改要一整天。用 IPMI 写个批量脚本：改密、建监控账号、并发重试、失败清单，100 台 20 分钟跑完。https://www.cciepro.cn/posts/raid-false-alarm-hdd/Fri, 31 Jul 2026 07:30:00 +0800https://www.cciepro.cn/posts/raid-false-alarm-hdd/服务器报警说硬盘坏了，监控群里喊换盘。我没换——因为那多半是 RAID 卡误报的「疑似坏盘」标记，盘根本没坏。用 StorCLI 5 分钟平反：先看全局、再查 SMART 和健康日志，逻辑问题一键重建，真有物理坏道才换。别让一块好盘白白被换掉。https://www.cciepro.cn/posts/gpu-bmc-troubleshooting-3am/Sun, 26 Jul 2026 07:30:00 +0800https://www.cciepro.cn/posts/gpu-bmc-troubleshooting-3am/凌晨3点，集群一台8卡GPU节点硬掉线。SSH连不上、ping不通，但BMC还活着。翻SEL发现供电在抖，锁定了坏掉的PSU3，顺带挖出NVIDIA驱动和内核的兼容性雷。不卖工具，卖教训。