检测BMC连通性的方法、装置、产品及服务器集群系统与流程

本技术涉及服务器，特别是涉及一种检测bmc连通性的方法、装置、产品及服务器集群系统。

背景技术：

1、bmc(baseboard management controller，基板管理控制器)负责服务器的核心功能管理，包括硬件状态管理、操作系统管理、健康状态管理、功耗管理等。bmc是独立于服务器系统之外的小型操作系统，服务器集群系统一般使用bmc指令进行大规模无人值守操作，包括服务器的远程管理、监控、安装、重启等。服务器集群系统中存在两类服务器，一类为只搭载cpu(central processing unit，中央处理器)的服务器(称为cpu box)，一类为只搭载gpu(graphics processing unit，图形处理器)的服务器(称为gpu box)，其中，cpu box主要负载管理和控制，gpu box专用于执行ai运算。在大型服务器集群系统中，随着模型的复杂度和规模的增加，计算量需求会增加，因此可以扩展多个gpu box，目前搭配gpu box的整机柜服务器多用于无人机驾驶、智能语音识别等领域。

2、cpu box和gpu box之间通过专用线缆连接，二者均搭载有独立的bmc。在服务器运行过程中，bmc对设备的运行状态以及硬件的健康状况进行监控，并将信息上传服务器运维平台，运维人员在服务器运维平台导航远程查看设备的运行情况。通常情况下cpu端的bmc接入到运维网络，而gpu box端的bmc不接入运维网络，因此运维人员并不能直接获知gpubox的信息，需要通过cpu box端的bmc才能获取gpu box端bmc上的信息。在这种情况下，需要保持cpu box端的bmc与gpu box端的bmc之间的连通正常，以免无法及时获知gpu box的故障信息，造成严重损失。

技术实现思路

1、有鉴于此，本技术旨在提出一种检测bmc连通性的方法、装置、产品及服务器集群系统，以确保cpu box端bmc与gpu box端的bmc的连通性，避免运维人员无法及时获知gpubox端的故障信息。

2、为达到上述目的，本技术的技术方案如下：

3、本技术实施例第一方面提供一种检测bmc连通性的方法，应用于服务器集群系统，包括：

4、通过第一bmc向第二bmc的目标端口发送端口检测数据；所述第一bmc为cpu box端的bmc，所述第二bmc为gpu box端的bmc，所述第一bmc及所述第二bmc之间通过网络芯片连接；

5、在所述第一bmc接收到所述第二bmc返回的第一结果数据的情况下，判定所述目标端口的状态正常；

6、在所述目标端口的状态正常的情况下，通过所述第一bmc向所述目标端口发送自检请求；

7、在所述第一bmc接收到所述第二bmc返回的第二结果数据的情况下，判定所述第一bmc与所述第二bmc之间的连通性正常。

8、可选地，在通过第一bmc向所述第二bmc的目标端口发送端口检测数据之后，还包括：

9、从所述第一bmc发出所述端口检测数据开始计时，作为第一发送时长；在所述第一bmc未接到所述第二bmc返回的第一结果数据的情况下，将所述第一发送时长与第一超时阈值进行比较；若所述第一发送时长大于所述第一超时阈值，则判定所述第一bmc与所述第二bmc之间的连通性存在异常；

10、在所述第一bmc接收到所述第二bmc返回的第一结果数据的情况下，获取所述第一bmc接收到所述第一结果数据的第一返回时长，将所述第一返回时长与第二超时阈值进行比较；在所述第一返回时长不大于所述第二超时阈值的情况下，判定所述第一bmc与所述第二bmc之间的连通性正常；在所述第一返回时长大于所述第二超时阈值的情况下，判定所述第一bmc与所述第二bmc之间的连通性存在异常。

11、可选地，在通过所述第一bmc向所述目标端口发送自检请求之后，还包括：

12、从所述第一bmc发出所述自检请求开始计时，作为第二发送时长；在所述第一bmc未接到所述第二bmc返回的第二结果数据的情况下，将所述第二发送时长与第三超时阈值进行比较；若所述第二发送时长大于所述第三超时阈值，则判定所述第一bmc与所述第二bmc之间的连通性存在异常；

13、在所述第一bmc接收到所述第二bmc返回的第二结果数据的情况下，获取所述第一bmc接收到所述第二结果数据的第二返回时长，将所述第二返回时长与第四超时阈值进行比较；在所述第二返回时长不大于所述第四超时阈值的情况下，判断所述第二bmc的连通性正常；在所述第二返回时长大于所述第四超时阈值的情况下，判定所述第一bmc与所述第二bmc之间的连通性存在异常。

14、可选地，所述检测bmc连通性的方法，还包括：

15、预先在所述第一bmc中创建第一虚拟网络设备，用于通过所述网络芯片与所述第二bmc通信，保持所述第一虚拟网络设备为开启状态；

16、为所述第一bmc及所述第二bmc设置通信信息，使所述第一bmc及所述第二bmc处于同一网络；所述通信信息包括：用户名、通信密码、静态ip及网关信息；

17、在所述第一bmc中创建目标线程，所述目标线程用于向所述第二bmc发送所述端口检测数据及所述自检请求；

18、通过所述第一bmc，按照第一预设周期执行所述目标线程。

19、可选地，所述目标端口遵循ipmi协议；所述端口检测数据及所述第一结果数据，为tcp数据流。

20、可选地，在所述第一bmc与所述第二bmc之间的连通性存在异常的情况下，还包括：

21、通过所述第一bmc生成第一异常日志，并将所述第一异常日志上传到服务器运维平台，对所述目标端口与所述第一bmc间的网络连接进行故障告警。

22、可选地，在所述第一bmc与所述第二bmc之间的连通性存在异常的情况下，还包括：

23、通过所述第一bmc生成第二异常日志，并将所述第二异常日志上传到服务器运维平台，对所述第二bmc进行故障告警。

24、可选地，所述检测bmc连通性的方法，还包括：

25、预先在所述第一bmc中创建第二虚拟网络设备，用于与所述服务器运维平台通信；保持所述第二虚拟网络设备为开启状态；

26、预先通过所述第一bmc生成虚拟传感器，并设置所述虚拟传感器的默认值；在所述第一bmc与所述第二bmc之间的连通性存在异常的情况下，所述虚拟传感器的默认值发生对应改变；

27、通过所述第一bmc，按照第二预设周期读取所述虚拟传感器的值以生成对应的异常日志。

28、根据本技术实施例的第二方面，提供一种检测bmc连通性的装置，用于实现本技术实施例的第一方面所提供的检测bmc连通性的方法，所述装置包括：

29、第一检测模块，被配置为控制第一bmc向所述第二bmc的目标端口发送端口检测数据；所述第一bmc为cpu box端的bmc，所述第二bmc为gpu box端的bmc，所述第一bmc及所述第二bmc之间通过网络芯片连接；

30、第一判断模块，被配置为在所述第一bmc接收到所述第二bmc返回的第一结果数据的情况下，判定所述目标端口的状态正常；

31、第二检测模块，被配置为在所述目标端口的状态正常的情况下，通过所述第一bmc向所述目标端口发送自检请求；

32、第二判断模块，被配置为在所述第一bmc接收到所述第二bmc返回的第二结果数据的情况下，判定所述第一bmc与所述第二bmc之间的连通性正常。

33、根据本技术实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本技术实施例第一方面所述的检测bmc连通性的方法中的步骤。

34、根据本技术实施例的第四方面，提供一种电子设备，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如本技术实施例第一方面所述的检测bmc连通性的方法中的步骤。

35、根据本技术实施例的第五方面，提供一种服务器集群系统，包括：

36、至少两个第二服务器，用于执行ai运算；所述第二服务器包括：gpu及如本技术实施例第一方面所述的第二bmc；

37、第一服务器，用于管理及控制所述第二服务器执行ai运算；所述第一服务器包括：cpu及如本技术实施例第一方面所述的第一bmc；所述第一bmc及所述第二bmc之间通过网络芯片连接；所述第一bmc被配置为执行如本技术实施例第一方面所述的检测bmc连通性的方法以检测所述第二bmc的连通性；

38、服务器运维平台，与所述第一bmc连接，用于接收所述第一bmc上传的异常日志。

39、本技术所提供的检测bmc连通性的方法，通过搭载cpu的服务器上的第一bmc向搭载gpu的服务器上的第二bmc的目标端口发送端口检测数据，检测gpu box端的目标端口是否能够正常通信，在目标端口状态正常的情况下，进一步向目标端口发送自检请求，检测gpu box端的bmc是否出现异常，在接收到第二bmc返回的第二结果数据的情况下，判定第一bmc与第二bmc的连通性正常。采用本技术提供的检测bmc连通性的方法，通过两步验证的检测方式，通过控制第一bmc对第二bmc的端口和自身功能进行检测，能够实现对gpu box端bmc和cpu box端bmc的连通性的远程监控，确保运维人员及时获取设备的状态信息，便于进行设备维护。