机房巡检 12 项：外包公司每次进场都该查什么

顺义一家做医疗器械分销的公司，机房在办公楼里一间没有窗户的小屋。某天下午两点，园区电网检修，市电晃了一下，不到半秒就恢复了，但整排机柜黑了。UPS 用了五年多，电池早就老化，真正撑住的时间不到三分钟，服务器没等到优雅关机就断了电。事后打开电池仓，六节电池里四节已经鼓包。

另一家做物流的公司，故障来得更安静。精密空调的冷凝水排水管被灰尘堵了一半，水顺着机柜底座渗进防静电地板下面，泡了两天没人发现。先是几台交换机莫名端口报错，维修工程师掀开地板才发现下面已经积了一滩水。还有一家贸易公司，服务器的 RAID 阵列卡亮了三个月黄灯，谁都没当回事，也没人去看阵列日志，直到第二块硬盘也坏掉，整组阵列直接散掉，业务停了两天才从备份里勉强找回数据。

这三件事有一个共同点：都不是突然发生的，都有明确的先兆，而且先兆全都写在任何一份标准机房巡检清单里。问题不是没人进机房，是进了机房不知道该看什么、看到什么算不正常。今天把中型企业机房巡检的 12 项拆开讲清楚，无论你打算让外包公司做，还是自己留着对账，这份清单都用得上。

先说清楚：走一圈拍两张照片不叫巡检

不少公司的巡检是这样的：外包商每月派个人来机房，开灯、绕一圈、拍两张照片发到群里，配一句「一切正常」。这种巡检出了事照样兜不住，因为它缺了三样东西。

第一是固定清单。每次查的项目一样，才能对比出变化；凭感觉看，看到什么算什么。第二是量化判据。UPS 电池不是看外观鼓没鼓包，是测内阻和端电压，跟上次读数比；空调不是瞄一眼温度计，是核对回风温度、湿度与设定值的偏差；硬盘不是听声音，是看阵列卡日志和硬盘健康报警。第三是书面留痕。巡检单写明每项读数、异常项和处理建议，双方签字，问题项下次进场先复核。这三样齐了，巡检才从仪式变成管理动作。

下面按动力与环境、网络与边界、服务器与虚拟化、容灾与制度四个维度，逐项过一遍 12 项检查内容。

一、动力与环境：第 1 到 4 项

第 1 项，UPS 电池与旁路切换。电池是机房里最典型的「看着没事、出事就大」的部件。巡检时用内阻仪逐节测内阻，记录端电压，内阻明显超标或节间压差过大的，列入更换清单，别等它撑不住那天。有条件的话，每半年到一年做一次市电中断模拟，记录 UPS 实际放电时长，这个数字才是电池的真实健康度。

第 2 项，市电与配电空开。用红外测温枪逐个测配电柜端子和空开温度，温升异常多半是端子松动或负载失衡，趁早紧固比出了火灾隐患再处理划算得多。同时核对双路供电是否真的接到不同的空开甚至不同的市电回路，很多机房的「双路」只是两根线接在同一排空开上。

第 3 项，精密空调温湿度与冷凝水。比对回风温度、湿度与设定值，偏差持续扩大说明制冷或加湿部件在退化。查滤网清洁度、冷凝水排水管是不是通畅、接水盘有没有积泥。两台空调轮值的机房，确认轮换真的在发生，一台长期备用、一台连轴转，坏的时候就是两台一起坏。

第 4 项，漏水检测与消防。机柜下方的漏水检测绳要实际测试一次，而不是只看它的灯亮不亮。烟感和气体灭火系统的压力表指针是否在绿区、灭火剂瓶体检修日期是否过期，都要写进单子。掀开一两块防静电地板，看下面有没有积水痕迹、有没有堆纸箱杂物，地板下是最容易被忽略的角落。

二、网络与边界：第 5 到 7 项

第 5 项，核心交换机与光模块。看双机堆叠或主备状态是否正常，别只看指示灯，要登进去看堆叠端口有没有反复翻转。用命令读每个在用光模块的收发光功率，跟上次读数比，光功率持续劣化的链路要提前换模块或清洁法兰，等到频繁丢包再查就晚了。顺便记录端口错误包计数，清零观察，累积过快的端口背后往往是线缆或网卡在退化。

第 6 项，华为 USG 防火墙状态与策略留痕。中型企业机房里最常见的边界设备就是 USG 系列防火墙。巡检要看四层：主备切换状态是否正常、会话数和 CPU 水位是不是逼近上限、IPS 与反病毒特征库和固件版本是否还在维护期、以及最近一个月的策略变更记录。最后一条最容易被漏掉：谁在什么时候放通了哪条策略、有没有写变更原因，这些留痕决定了出安全事件时能不能追责，也是判断策略是不是越配越乱、需要做一轮收敛的依据。如果这些活外包给了服务商，变更留痕必须写进服务范围，具体怎么核对可以参考响应时间分四档里对各级响应的界定。

第 7 项，双线宽带主备切换。不要满足于两条线路的指示灯都亮着。巡检时做一次真实切换：在约定窗口内断开主线，掐表看业务多久切到备线、DNS 有没有跟着切换、切回去之后业务是否正常。很多公司双线宽带摆了三年，一次都没真切过，第一次切换是在主线故障的半夜，结果发现备线路由早就不通了。

三、服务器与虚拟化：第 8 到 10 项

第 8 项，服务器虚拟化宿主机负载与存储余量。现在中型企业的服务器绝大多数是虚拟化形态，几台宿主机上跑着几十台虚拟机。巡检要看每台宿主机的 CPU 和内存水位、存储池剩余空间，更要看趋势：存储池余量两个月掉了四成，按这个速度什么时候见底，现在就该规划扩容。宿主机管理面的补丁状态也在这里一并核对。

第 9 项，RAID 阵列与硬盘健康。导出阵列卡日志，看有没有重建记录、降级记录，配合硬盘健康数据逐块核对。亮黄灯的阵列必须当天处理：确认热备盘是否已经自动顶上、重建是否完成、坏盘是否已列入更换。开头那家贸易公司的教训就是黄灯亮了三个月没人管。

第 10 项，快照与无用文件清理。升级前打的临时快照、测试留下的孤立磁盘文件，是存储池的隐形杀手。存储池一旦被写满，最先出事的是所有虚拟机一起暂停。每次巡检过一遍快照清单，超过约定保留期的一律删除并记录。

四、容灾与制度：第 11 到 12 项

第 11 项，备份核查与恢复演练。备份是「看着天天成功、出事才发现没用」的重灾区。巡检要看备份任务的真实成功率、失败任务的原因，更要做恢复抽验：每月挑一台不太关键的虚拟机，真的从备份恢复一遍，验证恢复出来的东西能开机、数据是对的。异地副本有没有真的同步过去，也要核对副本的时间戳。没有恢复演练背书的备份，只能算心理安慰。

第 12 项，标签台账与巡检单签字。机柜跳线标签、交换机端口对照表、配电回路表，每次变更后是否同步更新。这些琐碎的东西决定了半夜故障时排障速度。最后，每次进场都要有书面巡检单：每项读数、异常描述、处理建议、双方签字，上次的问题项这次先复核再往下走。一份完整的巡检单长什么样、第一次进场应该交付什么，在签外包后的第一个月应该发生什么里有展开。

12 项汇总成一张表

四个维度合起来正好 12 项。可以按频率拆开执行：动力环境每月一次，网络边界每月一次，服务器虚拟化每月一次、容量趋势每季度复盘，恢复演练每月抽验一台。频率不是重点，重点是每次都有读数、有对比、有签字。

常见问题

问：机房巡检多久做一次合适？
答：中型企业机房建议每月一次标准巡检，每季度加一次复盘（容量趋势、策略收敛），每半年到一年加一次深度测试（UPS 放电、双线真实切换）。没有专职机房管理员的公司，把标准巡检固定外包，深度测试提前约窗口，别因为怕麻烦省掉，省掉的深度测试往往就是将来最大的故障成本。

问：外包公司说每月都来巡检，怎么判断是不是走过场？
答：三个判据：一看巡检单有没有量化读数，只有「正常」两个字的不算；二看历史读数能不能拿出来对比，连续三次读数一模一样的多半是抄的；三看他会不会主动报问题，一年到头零隐患的巡检，基本可以断定没在真查。

问：巡检中发现隐患，是当场处理还是先报告？
答：分层处理。低风险的当场处理并记录，比如清滤网、清过期快照、紧固端子；影响业务的动作，比如阵列换盘、切换测试、策略调整，必须先报方案、约定窗口再动，而且要有回滚预案。这条边界写进服务合同，双方都不为难。

问：我们机房很小，就两三个机柜，也需要 12 项全做吗？
答：项数不变，深度可以降。小机房没有双机堆叠、没有双空调，对应项就简化成单设备健康检查。真正不能省的是三样：UPS 电池健康、备份恢复抽验、书面巡检单。这三样恰好是文章开头三个事故的直接解药。

小结：机房故障几乎都有先兆，先兆几乎都藏在例行检查里。巡检的价值不在于「人来过」，在于固定清单、量化读数、书面签字这三件事。12 项覆盖动力环境、网络边界、服务器虚拟化、容灾制度四个维度，无论谁来执行，拿这张清单对账，走过场的巡检立刻现形。