- 产品与解决方案
- 行业解决方案
- 服务
- 支持
- 合作伙伴
- 关于我们
手册下载
H3C交换机硬件故障检测技术白皮书-6W100-整本手册.pdf (286.57 KB)
H3C交换机硬件故障检测技术白皮书
Copyright © 2026 新华三技术有限公司 版权所有，保留一切权利。
非经本公司书面许可，任何单位和个人不得擅自摘抄、复制本文档内容的部分或全部，并不得以任何形式传播。
除新华三技术有限公司的商标外，本手册中出现的其它公司的商标、产品标识及商品名称，由各自权利人拥有。
本文中的内容为通用性技术信息，某些信息可能不适用于您所购买的产品。
随着企业网络规模不断扩大，硬件设备越来越多，任何硬件故障（如单板异常、CPU失效）以及转发通道中断，都可能导致链路抖动、数据丢包，甚至引发服务中断。为了提升网络系统的自愈能力与运维效率，企业网络设备亟需具备智能化的硬件故障检测和快速响应机制。
针对这一需求，H3C推出了面向设备硬件的故障自动检测与策略化运维方案，方案包含以下功能：
· 硬件故障自动修复功能。
· 转发通道自动检测功能。
系统可在无需人工干预的情况下，自动完成故障隔离、重启恢复、告警上报与日志记录，大幅增强网络可靠性。
硬件故障自动修复功能用于实时检测设备的关键硬件部件，包括单板、单板上的CPU以及数据转发通道，其故障检测与响应流程如图1-1所示。用户可通过启用本功能，并为各类故障预先配置相应的处理策略，最大程度降低故障影响范围，防止问题扩散，保障业务连续稳定运行。
本功能支持故障检测的具体对象（包括但不限于）：
· CPU：如CPU故障，则可能导致无法正常转发报文、队列持续拥塞等。
· 端口：如端口故障，则可能导致频繁出现错包或转发性能下降。
· CPLD：如CPLD故障，则可能导致转发端口状态异常、关键CPU无法访问、时序紊乱等。
· 控制通道：如控制通道异常，则可能导致控制CPU端口异常、出现大量错包、协议无法同步等。
本功能支持预先配置的策略可执行的处理动作包括：
· 隔离：对故障单元进行隔离（如下电单板、关闭端口）以防止问题扩散。
· 重启：自动重启故障组件，尝试恢复正常工作状态。
· 告警：通过发送SNMP Trap告警信息至网管平台，便于集中监控与人工干预。
· 仅记录日志：不采取自动化处理，仅记录故障日志，适用于测试或调试环境。
硬件故障自动修复功能可在不同应用场景下实现自动化故障处置，减少人工干预时间，提升系统整体可靠性与业务连续性。
在交换机的核心架构中，“控制通道（Control Plane）”作为交换机的“大脑”，主要负责运行路由协议（如OSPF、BGP）、生成路由表、执行网络管理（CLI/SNMP）、处理控制报文（如STP、ARP）以及制定全网转发策略；“转发通道（Data Plane）”作为交换机的“肌肉”，专职根据控制平面下发的转发表项，对数据报文进行查表、修改、封装/解封装以及高速端口间交换。
控制平面通过内部通道将计算好的转发表项下发至转发平面。转发平面据此独立、高速地处理每一个数据报文。两者协同工作，确保交换机高效、稳定地运行。
控制通道用于维系各组件协同工作，并提供配置、监控和管理能力。一旦控制通道发生故障，可能导致：
· 路由表无法更新，网络拓扑僵化；
· 无法通过CLI或SNMP等方式远程管理设备；
· 安全策略失效，增加被攻击风险；
· 转发通道因无有效转发表项而出现丢包。
转发通道承担数据的快速转发。当其出现异常时，即使控制通道正常，业务报文仍可能无法正常传输。
转发通道自动检测功能可通过在CPU之间收发检测报文，同时对控制通道和转发通道进行实时监测，检测到转发异常时及时生成日志，提醒用户采取相应措施，从而降低故障对业务的影响。
本技术为网络基础设施带来以下关键价值：
· 提升系统可用性（High Availability）
¡ 实现硬件故障的“秒级感知”与“分钟级响应”，避免小故障演变为大事故；
¡ 支持自动重启或隔离，减少人工干预时间，保障关键业务持续运行。
· 缩短故障恢复时间（MTTR）
¡ 自动化处理替代传统“告警→通知→登录→排查→操作”流程；
¡ 对偶发性故障（如瞬时CPU锁死）可通过“reset”策略实现“无人值守恢复”，显著降低平均修复时间（MTTR）。
· 防止故障扩散（Fault Containment）
¡ 使用“隔离”策略可将故障限制在局部模块内，避免因一个单板异常导致整机性能下降或宕机；
¡ 特别适用于高密度部署场景下的风险控制。
· 增强远程运维能力（Remote O&M）
¡ 结合告警模式与SNMP Trap机制，可在边缘节点实现“本地告警+上报网管”双重告警机制；
¡ 减少现场维护频率，降低OPEX成本。
· 构建智能运维基础（AIOps Ready）
¡ 输出标准化日志与Trap事件，便于接入AI驱动的故障预测与根因分析系统；
¡ 为未来构建自愈型网络（Self-Healing Network）提供底层支撑。
系统内置硬件健康监控模块，定时轮询关键组件的健康状态，如状态寄存器、心跳信号、错误计数器、端口状态、队列是否拥塞等，然后根据用户配置策略执行相关动作。具体工作内容如下：
· 硬件状态采集阶段：通过带外管理总线或内部总线检查CPU状态码、各种寄存器状态信息、队列是否拥塞、端口是否存在大量错包等信息，从而判断是否存在硬件故障。
· 故障判定：若连续多次检测到CPU状态码异常、寄存器状态异常或者端口错包、队列长时间拥塞达到阈值等，则判定为硬件故障。
· 策略执行：根据hardware-failure-detection命令设定的动作执行具体行为。例如reset，触发器件/单板重启流程。
· 日志与告警：所有事件均写入系统日志。若配置的处理措施为warning时，生成SNMP Trap，推送至NMS平台。
在分布式架构的框式交换机中，控制流量与数据流量需要跨背板在多块线卡之间进行转发。任何连接主控板、交换网板和业务板之间的内部通道出现故障，都会导致业务中断。本功能实现的基本原理是利用CPU主动模拟生成检测报文，通过控制通道与数据通道分别发送与接收，从而快速发现潜在的硬件或逻辑故障，确保业务流量的正常转发。该机制能够在问题发生时主动感知和定位故障。
CPU之间通过收发Notify报文来检测控制通道是否正常。Notify报文结构如图3-1所示，各字段介绍如下：
· Testpkttype：Notify报文类型。
· SrcSlot：源CPU所在单板槽位号。
· SrcChip：源CPU信息。
· SrcPort：源CPU发送报文的出端口。
· DstSlot：目的CPU所在的单板槽位号。
· DstChip：目的CPU信息。
· SeqID：报文的序列号。
Notify报文用于通知其他单板Notify报文的槽位号、发包端口号和CPU信息。如果目标单板没有收到Notify报文，则不上报故障，防止CPU得不到任务调度时，误报信息。
图3-1 Notify报文结构
单板（主控板、业务板或者网板）通过控制通道向单板内的所有CPU和框内的所有的CPU发送Notify报文来检测控制流量转发通道是否正常。
收发包检测流程如下：
(1) 源CPU向单板内的所有CPU和框内的所有的CPU发送Notify报文。
(2) 当对端收到Notify报文时，对应单板的检测计数器会被清零。
(3) 如果未收到业务检测报文，则检测计数器加一。
(4) 当计数器值达到预设值1时，系统会上报“业务检测丢包”告警。
(5) 当计数器值达到预设值2（大于预设值1）时，系统会上报“业务检测失败”告警。
(6) 当计数器被清零时，如果前一状态为“业务检测失败”，则本次会触发“业务检测清除”上报，表示故障解除。
当发生“业务检测失败”时，系统会采集发送单板槽位号、目的单板槽位信息、CPU信息并打印日志提醒用户。
数据流量转发通道检测机制与控制流量转发通道检测机制类似，区别在于Notify报文类型不同、转发通道不同：
· 数据流量转发通道与控制流量转发通道使用不同类型的Notify报文。
· 数据流量检测的Notify报文通过设备背板或网板进行转发；而控制流量检测的Notify报文则走专用的控制报文转发通道，不经过网板转发。
图3-3 数据流量转发通道检测示意图
核心层设备承载关键业务流量，要求99.999%可用性，且不允许长时间中断。
<Sysname> system-view
[Sysname] hardware-failure-detection board reset
[Sysname] hardware-failure-detection chip reset
[Sysname] hardware-failure-detection forwarding isolate
[Sysname] forward-path-detection enable
说明：
· 单板/CPU故障尝试自动重启恢复；
· 转发层面严重异常则隔离，防止雪崩效应；
· 开启转发检测以实现主动预警。
无本地IT支持，依赖总部远程管理，需具备一定自治能力。
<Sysname> system-view
[Sysname] hardware-failure-detection board isolate
[Sysname] hardware-failure-detection chip reset
[Sysname] forward-path-detection enable
说明：
· 单板故障直接隔离，防止整机瘫痪；
· CPU类偶发故障尝试重启修复；
· 所有事件同步上传至云端网管平台。
需保留原始故障现象用于分析，禁止自动干预。
<Sysname> system-view
[Sysname] hardware-failure-detection board off
[Sysname] hardware-failure-detection chip off
[Sysname] forward-path-detection enable
说明：
· 关闭所有自动处理，仅开启日志记录；
· 便于抓取故障前后状态，用于根因分析。
支持
