今天分享的是：ODCC开放数据中心委员会：2025年ETH-X 以太超节点系统运维规范

报告共计：56页

2025年ETH-X以太超节点系统运维规范核心总结

本规范由开放数据中心委员会（ODCC）发布，针对ETH-X以太超节点系统异构硬件集群的运维复杂性，构建覆盖资产全生命周期的标准化运维框架，为系统稳定运行与高效算力输出提供技术指引，仅聚焦超节点内部运维环节。

规范明确运维架构与范围，以配置管理数据库（CMDB）为核心，整合资产管理、分层监控、智能告警、故障处理、可视化及自动化巡检六大模块，运维范围涵盖超节点域内计算节点、交换节点、机柜控制单元等硬件，支持带内与带外双重管理网络及SSH、gRPC等多类管理接口。

资产管理依托CMDB实现全生命周期管控，需记录计算节点（CPU、内存、硬盘等硬件信息）、GPU（型号、显存、互联速率等）、交换节点（厂商、固件版本、端口状态等）及机柜控制单元（电源、液冷设备参数）的核心信息，通过信息录入、校验与动态更新，清晰呈现组件关联关系，支撑故障排查与变更评估。

监控系统采用分层采集与多维度指标体系，交换节点通过Telemetry、SNMP等方式采集设备状态与网络质量数据；计算节点结合IPMI、Agent等带外与带内方式，监控CPU、内存、GPU等运行指标及异常状态；机柜控制单元通过IPMI、MODBUS等监控电源功耗与液冷参数。核心监控指标含网络RTT≤20μs、丢包率≤1E-6等健康阈值，数据保存时间根据精度需求达半年至一年以上。

日志与告警系统形成联动响应机制，日志涵盖计算节点系统与GPU日志、交换节点运行与安全日志、机柜控制单元状态日志，通过rsyslog等工具收集并借助ELK实现可视化分析。告警分为计算、交换、机柜控制单元三大类，按紧急、重要、次要、提示四级分级，明确屏蔽、归并等规则，核心功能包括详情透视、状态管理与清除验证，保障故障快速定位。

故障处理遵循“确认-迁移-运维”流程，通过脚本检测确认故障类型，支持业务热迁移与冷迁移减少影响，硬件运维需供应商提供部件更换、固件升级等SOP，软件运维含系统升级与重置规范。此外，规范还涵盖可视化展示（网页与液晶屏）及巡检体系（人工与自动巡检及报告管理）。

该规范填补了超节点运维标准化空白，为技术人员提供全流程操作依据，助力发挥ETH-X系统在AI训练等场景的算力价值。

以下为报告节选内容