2025年9月，开放数据中心委员会（ODCC）发布《ETH-X以太超节点系统运维规范》，针对ETH-X以太超节点系统（含GPU、交换机等异构硬件）运维复杂度高的问题，构建覆盖硬件资产全生命周期的标准化运维框架，仅聚焦超节点内部运维，不涉及计算集群整体运维。

报告先明确运维架构与范围，ETH-X超节点运维需统一计算节点、网络节点等运维规范，涵盖资产管理等内容；运维范围为超节点域，采用带外与带内结合的管理网络，支持多种管理接口。

资产管理依托配置管理数据库（CMDB），记录计算节点（CPU、内存等信息）、GPU（型号、固件版本等）、交换节点（型号、厂商等）及机柜控制单元（PSU、整机柜等信息）的详细数据，同时规范信息录入、检查与变更流程，助力故障排查与资源规划。

监控系统采用多样化采集方式，交换节点用Telemetry等带外采集，计算节点结合IPMI等带外与Agent等带内采集，机柜控制单元通过IPMI等管理电源，液冷单元用MODBUS协议。监控指标全面，涵盖计算节点的系统与GPU指标、网卡指标、XCCL指标，交换节点的设备与端口等指标，超节点内网络质量指标，以及机柜控制单元的电源与液冷单元指标，并设健康阈值。

日志系统明确各节点日志内容，计算节点含系统与GPU日志，交换节点涵盖设备运行等多类日志，机柜控制单元记录电源与液冷单元日志，同时规范日志收集与可视化方式。

告警系统划分计算节点、交换节点、机柜控制单元三类告警类型，定义紧急、重要、次要、提示四级告警级别及相应处理策略，明确告警状态与规则，规范告警处理的核心功能与机制。

故障处理需先确认故障，再根据情况进行业务热迁移或冷迁移，硬件运维需按SOP处理计算/交换节点、机柜控制单元等故障，软件运维规范系统升级与重置流程。

可视化系统通过网页展示多系统数据，超节点液晶屏展示信息类与故障类关键指标。巡检系统包含人工巡检（覆盖三类项目）与自动巡检（覆盖五类项目），并规范巡检报告的日报、周月报管理。

免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系