服务器突然关机了。你查了日志，没有kernel panic，没有OOM，没有任何软件报错。你重启了，它又起来了。日志干干净净，什么都没留下，但你知道问题还在——它会再来的。软件问题会留下痕迹，硬件问题不会。它只会让服务器突然消失，然后等你发现。

今天的排查流程按“先易后难、先外后内”的顺序，从最容易发现的问题开始，逐步缩小范围https://cloud.tencent.com.cn/developer/article/2455125?from=15425。

Table of Contents

Toggle

  • 排查前的常规检查
  • 第一步：检查温度
  • 第二步：测试内存
  • 第三步：检查硬盘健康
  • 第四步：检查电源
  • 第五步：检查主板（最麻烦的环节）
  • 排查顺序建议
  • 真实案例
  • 最后一句

排查前的常规检查

拆机之前，先做几件简单的事：

看指示灯：服务器面板的指示灯往往能直接告诉你问题方向。电源灯不亮——大概率是电源或供电线路问题。硬盘灯亮红灯——硬盘可能故障。BMC/iDRAC的管理灯异常——硬件监控系统可能检测到了故障https://www.dell.com/community/zh/conversations/poweredge%E6%9C%8D%E5%8A%A1%E5%99%A8/%E6%88%B4%E5%B0%94r740%E6%B8%A9%E5%BA%A6%E7%81%AF%E5%86%85%E5%AD%98%E7%81%AF%E5%B8%B8%E9%97%AA%E6%95%A3%E7%83%AD%E9%A3%8E%E6%89%87%E5%91%8A%E8%AF%89%E8%BF%90%E8%BD%AC/67ef3d00b5c7c33fcc9fd2eb?commentId=67f33da40141bf65d779363b?keyword=%EB%84%A4%EC%9E%84%EB%93%9C%EB%B0%B0%ED%8C%85%20cddc7%EB%8B%B7%EC%BB%B4%20%ED%94%84%EB%A1%9C%EB%AA%A8%EC%85%98%EC%BD%94%EB%93%9C%20B77%20%ED%95%A8%EB%B6%80%EB%A5%B4%ED%81%ACSV%E3%89%A5%EB%86%80%EC%9D%B4%ED%84%B0%ED%86%A0%ED%86%A0%EC%84%B8%EB%8B%A4%EB%B2%B3%E1%86%9A%ED%95%B4%EC%99%B8%ED%86%A0%ED%86%A0%EC%96%91%EB%B0%A9%E0%AE%B0%ED%94%BC%EB%82%98%ED%81%B4%EB%B2%A0%ED%8C%85%EB%B0%A9%EB%B2%95%E2%88%90%ED%86%A0%ED%86%A0%EC%8D%B0/https://cloud.tencent.com.cn/developer/article/2455125?from=15425。

听声音：启动时有没有连续长鸣的蜂鸣声？内存报警通常是连续不断的“嘀嘀”声，显卡报警则是一长两短的鸣叫https://newsupport.lenovo.com.cn/commonProblemsDetail.html?noteid=085189。风扇如果突然全速运转且不停，可能是温度传感器故障或系统检测到散热异常https://www.dell.com/community/zh/conversations/poweredge%E6%9C%8D%E5%8A%A1%E5%99%A8/%E6%88%B4%E5%B0%94r740%E6%B8%A9%E5%BA%A6%E7%81%AF%E5%86%85%E5%AD%98%E7%81%AF%E5%B8%B8%E9%97%AA%E6%95%A3%E7%83%AD%E9%A3%8E%E6%89%87%E5%91%8A%E8%AF%89%E8%BF%90%E8%BD%AC/67ef3d00b5c7c33fcc9fd2eb?commentId=67f33da40141bf65d779363b?keyword=%EB%84%A4%EC%9E%84%EB%93%9C%EB%B0%B0%ED%8C%85%20cddc7%EB%8B%B7%EC%BB%B4%20%ED%94%84%EB%A1%9C%EB%AA%A8%EC%85%98%EC%BD%94%EB%93%9C%20B77%20%ED%95%A8%EB%B6%80%EB%A5%B4%ED%81%ACSV%E3%89%A5%EB%86%80%EC%9D%B4%ED%84%B0%ED%86%A0%ED%86%A0%EC%84%B8%EB%8B%A4%EB%B2%B3%E1%86%9A%ED%95%B4%EC%99%B8%ED%86%A0%ED%86%A0%EC%96%91%EB%B0%A9%E0%AE%B0%ED%94%BC%EB%82%98%ED%81%B4%EB%B2%A0%ED%8C%85%EB%B0%A9%EB%B2%95%E2%88%90%ED%86%A0%ED%86%A0%EC%8D%B0/。

闻味道：如果闻到烧焦味或塑料味，立刻断电。这意味着某块元件已经损坏，继续通电可能造成更大范围短路https://cloud.tencent.com.cn/developer/article/2455125?from=15425。

第一步：检查温度

这是最常见的硬件故障诱因，也是最容易排查的。服务器过热会自动关机保护。

先检查物理环境：机房室温是否过高？机柜前后是否留有足够散热空间？机箱内是否有大量积灰？进风口温度一般建议控制在25°C以下https://www.dell.com/community/zh/conversations/poweredge%E6%9C%8D%E5%8A%A1%E5%99%A8/%E6%88%B4%E5%B0%94r740%E6%B8%A9%E5%BA%A6%E7%81%AF%E5%86%85%E5%AD%98%E7%81%AF%E5%B8%B8%E9%97%AA%E6%95%A3%E7%83%AD%E9%A3%8E%E6%89%87%E5%91%8A%E8%AF%89%E8%BF%90%E8%BD%AC/67ef3d00b5c7c33fcc9fd2eb?commentId=67f33da40141bf65d779363b?keyword=%EB%84%A4%EC%9E%84%EB%93%9C%EB%B0%B0%ED%8C%85%20cddc7%EB%8B%B7%EC%BB%B4%20%ED%94%84%EB%A1%9C%EB%AA%A8%EC%85%98%EC%BD%94%EB%93%9C%20B77%20%ED%95%A8%EB%B6%80%EB%A5%B4%ED%81%ACSV%E3%89%A5%EB%86%80%EC%9D%B4%ED%84%B0%ED%86%A0%ED%86%A0%EC%84%B8%EB%8B%A4%EB%B2%B3%E1%86%9A%ED%95%B4%EC%99%B8%ED%86%A0%ED%86%A0%EC%96%91%EB%B0%A9%E0%AE%B0%ED%94%BC%EB%82%98%ED%81%B4%EB%B2%A0%ED%8C%85%EB%B0%A9%EB%B2%95%E2%88%90%ED%86%A0%ED%86%A0%EC%8D%B0/。

BMC日志里通常有温度传感器数据，登录BMC系统查看system inlet temperature sensor，确认温度读数是否正常https://www.dell.com/community/zh/conversations/poweredge%E6%9C%8D%E5%8A%A1%E5%99%A8/%E6%88%B4%E5%B0%94r740%E6%B8%A9%E5%BA%A6%E7%81%AF%E5%86%85%E5%AD%98%E7%81%AF%E5%B8%B8%E9%97%AA%E6%95%A3%E7%83%AD%E9%A3%8E%E6%89%87%E5%91%8A%E8%AF%89%E8%BF%90%E8%BD%AC/67ef3d00b5c7c33fcc9fd2eb?commentId=67f33da40141bf65d779363b?keyword=%EB%84%A4%EC%9E%84%EB%93%9C%EB%B0%B0%ED%8C%85%20cddc7%EB%8B%B7%EC%BB%B4%20%ED%94%84%EB%A1%9C%EB%AA%A8%EC%85%98%EC%BD%94%EB%93%9C%20B77%20%ED%95%A8%EB%B6%80%EB%A5%B4%ED%81%ACSV%E3%89%A5%EB%86%80%EC%9D%B4%ED%84%B0%ED%86%A0%ED%86%A0%EC%84%B8%EB%8B%A4%EB%B2%B3%E1%86%9A%ED%95%B4%EC%99%B8%ED%86%A0%ED%86%A0%EC%96%91%EB%B0%A9%E0%AE%B0%ED%94%BC%EB%82%98%ED%81%B4%EB%B2%A0%ED%8C%85%EB%B0%A9%EB%B2%95%E2%88%90%ED%86%A0%ED%86%A0%EC%8D%B0/https://cloud.tencent.com.cn/developer/article/2455125?from=15425。CPU温度如果超过85°C就需要关注，超过95°C就危险了。散热片固定螺丝是否松动、硅脂是否涂抹均匀，这些细节直接影响散热效果https://cloud.tencent.com.cn/developer/article/2455125?from=15425。

处理：清灰、检查风扇是否正常运转、改善通风。如果是托管服务器，直接联系机房处理。

第二步：测试内存

内存故障的典型表现是：随机重启、死机、文件损坏、系统行为异常。普通系统检查工具测不出来，因为症状往往没有规律，很难让人联想到内存https://www.memtest86.com/?r=qal-stshttps://mail.memtest86.com/memtest86.html。

用Memtest86测试：这是内存检测的事实标准，从1994年就开始开发，已经存在超过20年https://www.memtest86.com/?r=qal-stshttps://mail.memtest86.com/memtest86.html。

操作步骤：

  1. 在另一台电脑上下载Memtest86（www.memtest86.com），制作启动U盘，直接插入服务器USB口启动。
  2. 测试时间：16GB内存建议跑完至少一个完整循环（约30-60分钟）。零错误才算通过——但凡有一个错误，内存就要换。不用纠结，内存芯片或线路物理损坏，没有“偶尔才出错”这种说法。

Memtest86完全独立运行，不需要任何操作系统支持。新版本支持UEFI启动，如果你的服务器只有传统BIOS，需要下载旧版V4镜像https://www.memtest86.com/download.htm。

第三步：检查硬盘健康

硬盘故障前通常有征兆，SMART技术就是专门监控硬盘健康状况的http://info.support.huawei.com/compute/docs/zh-cn/kunpeng-knowledge/typical-scenarios-1/zh-cn_topic_0145901916.html。

用smartctl检查：

bash

sudo smartctl -H /dev/sda

PASSED表示暂时通过——但只是“目前没有达到预警阈值”，不代表不会坏。接着看关键参数：

bash

sudo smartctl -A /dev/sda | grep -E "Reallocated|Pending|Uncorrectable"

危险信号：

  • Reallocated_Sector_Ct > 0（已经有坏道，被备用扇区替换）
  • Current_Pending_Sector > 0（读不出来但还没被替换的扇区——这个更危险）
  • Offline_Uncorrectable > 0（数据已经损坏）

以上任何数值大于0，建议尽快更换硬盘。注意硬盘故障率与温度直接相关——超过55°C时故障率会明显上升https://cloud.tencent.com.cn/developer/article/2455125?from=15425http://info.support.huawei.com/compute/docs/zh-cn/kunpeng-knowledge/typical-scenarios-1/zh-cn_topic_0145901916.html。

第四步：检查电源

电源问题是间歇性关机的头号元凶。据估计，由电源引起的故障约占服务器硬件故障的20%-30%http://c.gongkong.com/PhoneVersion/PaperDetail?paperId=51367。但电源没有自检工具，只能靠观察和替换https://cloud.tencent.com.cn/developer/article/2455125?from=15425。

观察：电源指示灯是绿色常亮吗？橙色或闪烁通常表示故障https://cloud.tencent.com.cn/developer/article/2455125?from=15425。电源风扇是否转动？有没有异响（滋滋声、咔哒声）？如果是云服务器，直接提工单，把前面排查结果附上，要求换宿主机。

替换法测试：换一个已知正常的电源，运行几天。如果换了之后不再关机，就是电源的问题。如果换了还关，继续找下一个嫌疑https://cloud.tencent.com.cn/developer/article/2455125?from=15425http://c.gongkong.com/PhoneVersion/PaperDetail?paperId=51367。

第五步：检查主板（最麻烦的环节）

如果以上都查过了，关机还在继续，可能是主板故障。

主板问题的典型表现：开机后随机重启，没有报错；某些接口（USB、SATA、网口）间歇性失灵；主板上电容鼓包、漏液https://newsupport.lenovo.com.cn/commonProblemsDetail.html?noteid=085189https://jc.wzbc.edu.cn/Art/Art_333/Art_333_15945.aspx。

排查方法：目视检查——看电容有没有鼓包、漏液，主板有没有烧焦痕迹https://jc.wzbc.edu.cn/Art/Art_333/Art_333_15945.aspxhttps://www.dell.com/community/zh/conversations/poweredge%E6%9C%8D%E5%8A%A1%E5%99%A8/poweredge-r740-%E6%9C%8D%E5%8A%A1%E5%99%A8%E6%8A%A5%E9%94%99/68ec569d6f463023aac21ab7?commentId=68ec94361d13525e12f5e07d?keyword=cu%EC%B9%B4%EC%A7%80%EB%85%B8%20cddc7.com%20%EB%B3%B4%EB%84%88%EC%8A%A4%EC%BD%94%EB%93%9C%20B77%20%EC%95%88%EC%A0%84%EB%A9%94%EC%9D%B4%EC%A0%80%EC%82%AC%EC%9D%B4%ED%8A%B8%F0%9F%90%97FC%EC%BD%94%ED%8E%9C%ED%95%98%EA%B2%90%CB%A01xbet%EB%A9%94%EC%9D%B4%EC%A0%80%EC%82%AC%EC%9D%B4%ED%8A%B8%E2%94%B9%ED%86%A0%ED%86%A0%ED%95%98%EB%8A%94%EA%B3%B3%E0%B4%B8atp%ED%85%8C%EB%8B%88%EC%8A%A4%EC%8B%A4%EC%8B%9C%EA%B0%84%EC%A4%91%EA%B3%84/。最小化测试——只留一个CPU、一根内存、一个电源、一块主板（最小启动配置），拔掉所有硬盘和扩展卡，观察是否还会关机。如果最小化配置下系统稳定，再逐个加回部件，直到问题重现https://cloud.tencent.com.cn/developer/article/2455125?from=15425https://www.dell.com/community/zh/conversations/poweredge%E6%9C%8D%E5%8A%A1%E5%99%A8/poweredge-r740-%E6%9C%8D%E5%8A%A1%E5%99%A8%E6%8A%A5%E9%94%99/68ec569d6f463023aac21ab7?commentId=68ec94361d13525e12f5e07d?keyword=cu%EC%B9%B4%EC%A7%80%EB%85%B8%20cddc7.com%20%EB%B3%B4%EB%84%88%EC%8A%A4%EC%BD%94%EB%93%9C%20B77%20%EC%95%88%EC%A0%84%EB%A9%94%EC%9D%B4%EC%A0%80%EC%82%AC%EC%9D%B4%ED%8A%B8%F0%9F%90%97FC%EC%BD%94%ED%8E%9C%ED%95%98%EA%B2%90%CB%A01xbet%EB%A9%94%EC%9D%B4%EC%A0%80%EC%82%AC%EC%9D%B4%ED%8A%B8%E2%94%B9%ED%86%A0%ED%86%A0%ED%95%98%EB%8A%94%EA%B3%B3%E0%B4%B8atp%ED%85%8C%EB%8B%88%EC%8A%A4%EC%8B%A4%EC%8B%9C%EA%B0%84%EC%A4%91%EA%B3%84/。

对于托管服务器，联系机房更换主板。对于云服务器，直接提工单让云厂商处理，你没办法自己去换https://cloud.tencent.com.cn/developer/article/2455125?from=15425。

排查顺序建议

按发生概率从高到低排查：

  1. 温度（最容易出问题，最容易查）
  2. 内存（Memtest86跑一遍）
  3. 电源（替换法——电源故障约占20%-30%）
  4. 硬盘（SMART检查）
  5. 主板（最后才怀疑）

真实案例

一台物理服务器每周随机关机一次。查日志什么都没有，Memtest86跑了一夜零错误，SMART正常。换了一个电源，连续跑了两周没关机。原电源的电容老化，输出不稳，偶尔电压波动触发主板保护。故障判断只能靠换件排除。电源故障不需要工具，换一个就能验证https://cloud.tencent.com.cn/developer/article/2455125?from=15425。

最后一句

硬件故障排查的难点在于它不留日志，只能靠排除法。温度、内存、电源、硬盘、主板——按概率从高到低逐一排查。如果你用的是云服务器，把排查结果（温度、Memtest86、SMART）整理好，直接提工单要求换宿主机。

软件问题会报错，硬件问题只会消失。你的服务器突然消失，不是因为它在发脾气——它在告诉你，某个零件该换了。