华为鲲鹏920服务器启动故障排查：阵列卡“隐身”引发的连锁反应

作为企业IT运维的“老黄牛”，服务器的稳定运行直接关乎业务连续性。

上周我们就收到一台同行送过来的华为鲲鹏920服务器，客户描述为突发启动故障。

今天就把整个排查过程复盘分享，旨在抛砖引玉，建议收藏备用～

一、突发故障：核心服务器突然“罢工”

客户发现部署的算力服务器无法连接，赶到机房后发现服务器开机屏幕停留在“尝试从网卡引导”的提示界面，反复重启后问题依旧。

二、初步排查：锁定“启动设备识别”核心问题

收到同行送来的服务器后，我司技术人员进行了简单的沟通和交流，然后上电，开始最基本的检测。

开机后，自检阶段未出现阵列卡型号和自检提示，说明阵列卡未完成基础自检；

然后屏幕提示“无引导设备”，然后开始反复尝试从网卡引导，当然不可能引导成功。

这台鲲鹏920服务器配置了独立阵列卡，所有硬盘均连接至阵列卡，作为系统和数据存储的载体。

于是，进入BIOS，遗憾的是，阵列卡未被识别。

如果阵列卡无法正常工作，自然无法识别到由其管理的硬盘，进而导致服务器找不到启动设备。

关闭服务器电源，打开机盖，拆下阵列卡观察，并未发现异常，于是擦拭金手指后，换了个PCIe插槽，但仍未被正确识别，排除插槽故障。

三、深入定位：阵列卡“隐身”是关键

在BIOS界面反复查找无果后，发现有一项叫做“有些驱动程序不健康”，在里面找到了阵列卡。

尝试修复操作，并重启后，BIOS能正确识别到阵列卡型号，也能识别到硬盘了。

但此时服务器有红灯告警，系统无法引导。

登录iBMC带外管理，发现有阵列卡告警信息。

四、尝试修复：既然BIOS操作无效，那更换就是唯一出路

由于硬件尚在质保期内，于是我司技术人员联系了宝德售后，虽然是鲲鹏920服务器，但是经查询，售后服务由宝德负责。

工程师远程确认故障后，以航空件的方式，发来了同型号的阵列卡。

更换过程很顺利：关闭服务器电源后，取下故障阵列卡，将新阵列卡插入PCIe插槽并固定，重新连接硬盘数据线。

五、故障解决：更换阵列卡后恢复正常

更换阵列卡后，我们重新开机，自检阶段顺利显示阵列卡型号和RAID阵列信息。进入BIOS后，“存储设备”栏成功识别到阵列卡，启动项中“阵列卡引导”也显示“可用设备”。

将硬盘里面的阵列信息导入到新的阵列卡后，设置为阵列卡为首选启动项，然后服务器顺利进入操作系系统。

此时联系客户，准备进入系统检查数据，结果被告知，root密码忘记了，于是又为客户重置了root密码，这才得以进入系统，好在客户还是幸运的，经查看，数据未丢失。

六、运维反思：3点经验避坑指南

这次故障排查虽然最终顺利解决，但也给我们敲响了警钟。结合此次经历，总结3点运维经验：

这次故障排查虽顺利解决，但也给客户敲响了警钟。结合经历总结3点核心运维经验，发给同行及客户：

• 核心备件必储备：承载核心业务的服务器，阵列卡、电源模块等关键硬件必须备足备件，避免因等待备件延长宕机时间；

• 硬件巡检不松懈：除软件监控外，每月用官方诊断工具做一次硬件深度巡检，重点检测阵列卡、硬盘的健康状态，提前发现老化隐患；

• 排查逻辑要清晰：遵循“先基础后核心、先软件后硬件”原则，逐步缩小范围，避免盲目操作造成二次故障。

• 日常运维重在备份：数据无价，本次算是幸运，数据未丢失，但是如果还是不注重备份，迟早有一天会破防后悔。

互动时间：你在运维中遇到过哪些“诡异”的服务器故障？排查时踩过什么坑？欢迎在评论区分享，一起交流避坑技巧～

服务器运维容不得半点马虎，每一次故障都是一次经验积累。如果大家有类似的排查经历，欢迎在评论区分享交流，一起提升运维能力～

觉得这篇排查干货有用的话，记得 点赞+在看+收藏，转发给团队里的运维伙伴，一起提升故障处理效率～

关注我们，后续还会分享更多服务器运维、故障排查的实战技巧！