企業級特性

AEN 事件通道:從定時巡檢到主動上報的運維改造

作者:軍航科工半導體AEN / 非同步事件通知 / NVMe

輪詢 SMART 在千盤規模上既漏事件又佔管理面開銷。AEN 的取走才復位語義、事件分類的使能粒度、與 SMART/Telemetry/NVMe-MI 的分工,以及閾值抖動的抑制,是把這條通道真正用起來的四個關鍵點。

輪詢的兩個問題

傳統做法是運維 Agent 定時讀取 SMART 日誌。週期設長會漏掉瞬時事件——一次溫度尖峰、一次介質錯誤可能在兩次取樣之間來去;週期設短則在上千盤的叢集裡製造可觀的管理面開銷,而且每次 Get Log Page 都要佔用佇列槽位,與業務 I/O 競爭。兩頭都不理想。

取走才復位的握手語義

AEN 的工作方式是主機預先向盤下發若干條 Asynchronous Event Request 命令,這些命令不立即返回而是駐留在盤上。盤檢測到事件時完成其中一條,返回事件類型和關聯的日誌頁標識。主機隨後必須去讀對應日誌頁把事件狀態清除,再補發一條新的 AER 重新武裝通道。這個語義意味著驅動若忘記補發,後續事件將靜默丟失——這是平臺整合階段最常見的問題,且症狀表現為告警變少而非報錯,很容易被誤認為一切正常。

哪些事件值得佔用這條通道

事件大致分三類:錯誤狀態(介質錯誤、內部錯誤)、健康狀態變化(可靠性降級、溫度越閾、備用塊低於閾值、進入只讀模式)、通知類(命名空間屬性變化、韌體激活完成、Telemetry 日誌更新)。企業級盤應完整支援這幾類,並允許主機通過 Set Features 逐位使能,讓不同角色的機器只訂閱自己關心的事件,避免噪聲淹沒真正需要響應的告警。

與 SMART、Telemetry、NVMe-MI 的分工

四者互補而非替代。AEN 負責有事快說,攜帶的資訊量很少;SMART 日誌承載定量健康指標,用於趨勢判斷;Telemetry 承載故障時刻的內部狀態快照,供離線失效分析使用;NVMe-MI 走帶外通道,在主機作業系統失效或盤無法響應帶內命令時仍能讀到基本狀態。只有 AEN 而沒有 Telemetry,運維知道出了事卻查不出原因;只有 SMART 而沒有 AEN,則永遠慢一拍。

抑制誤報與抖動

溫度在閾值附近來回穿越會造成告警風暴。韌體側需要遲滯窗口和最小上報間隔,同一類事件在窗口內合併,上行與下行使用不同門限。J750/J770 尚在產品定義/EVT 階段,這組參數與客戶機箱的實際溫度曲線相關,屬於平臺聯調時的標定內容;事件覆蓋清單與抑制門限正在內部工程平臺 JH-E4U-C 上逐條驗證,最終會與韌體版本一起進入發佈說明,讓主機側的訂閱配置有確定的對照物件。

關鍵詞
AEN非同步事件通知NVMeSMARTTelemetryNVMe-MI預防性維護軍航科工