是人就有生病的时候，无论大小病患，有“药到病除”、“妙手回春”方能解燃眉之急;对于每天都在支撑我们工作、生活的IT系统来说，也需要有这种“药到病除”、“妙手回春”方能解困。

　　黑屏/死机是计算机比较常见的一类故障，也是最让人束手无策的一种场景。这种情况下，如果是一台PC机，损失的可能只是一个没有及时保存的文档，足以让你沮丧一整天;但如果是运行着关键业务的一台服务器，损失是不可估量的。虽然，软件的业务架构直接影响系统的健壮性，但对于一个系统来说，莫名的宕机问题，若没有找到问题的原因，则整个系统的稳定性会存在极大的风险。

　　传统方式下，计算机死机后，运维人员会先通过网口或串口来收集信息，在没有收到有价值信息时，还需要在OS上植入一些代码抓取系统堆栈信息。但故障的复现，是一种让人非常期待和煎熬的等待;如果故障是在CPU、PCH、内存等核心部件上，通过OS收集信息的方式会完全失去作用，也就是无法真正找到病根。

　　因为这种情况下，OS的内核已经挂死，无法调用任何进程，维护人员往往是换掉整机这种高成本的处理方式。为什么以OS为故障处理中心的传统故障处理方式无法精准定位到故障源?道理很简单，操作系统在这方面并未建立完善的硬件故障错误处理机制：

　　Windows从提高OS稳定性出发，采用WHEA架构，支持动态配置和内存诊断，但是未实现硬件故障分析。

　　RH Linux支持基本的错误日志和错误处理，未设计硬件故障分析。

　　OS 运行在服务器上，它对硬件故障的诊断天生不完整。我们以市场目前几个主流厂商的服务器为例，从故障处理指南中不难看出，面对死机类问题都是先依赖OS厂商的处理，其次依靠尝试复现和猜测，无法基于信息分析获取最根本的原因。

　　当局者迷，旁观者清。要解决这个问题，只能使用一个旁观者的身份来监控整个X86系统。谁又能承担这个角色呢?只有BMC管理系统。它完全与x86系统隔离，即使x86系统下电，BMC仍然能够控制x86系统。

　　华为服务器针对诊断场景独创一个以带外系统为中心的故障处理系统FDM。什么是FDM?FDM全称为“Fault Diagnose Management”，即故障诊断管理系统，它是华为具备自有知识产权的服务器故障诊断系统。FDM由多位高端技术专家经过多年的时间，与多个部件/芯片供应商进行技术研究与合作，从BMC、BIOS等各类部件Frimware上做定制化开发，旨在系统地解决服务器架构下的各类硬件故障定位，大幅提升和扩展x86架构的RAS特性。FDM 有哪些创新点呢?

　　1、实现了故障数据的全方位自动抓取

　　通过集合多种故障数据收集技术并能根据系统状态自动切换，解决了现有OS在严重故障系统死机无法抓取故障数据的技术瓶颈;

　　2、实现以BMC为中心的完整可持续发展的带外故障处理系统

　　把所有的故障数据汇聚到BMC，由BMC在带外做更进一步的故障分析、定位、预告警等功能，攻克了OS作为故障处理中心的能力不足、不可控、影响系统性能等难题;

　　3、建立故障诊断专家系统

　　通过对MCE故障机制的深入分析理解，以及对故障样板数据的归纳总结形成的专家知识，华为基于BMC建立了一套故障诊断专家系统，当系统发生严重故障时可以通过已收集的故障数据来自动定位故障源并提供故障解决方案;

　　据悉，华为服务器FDM至少可以定位90%以上由于CPU、内存、PCH、PCIe、QPI等硬件或链路引起的系统崩溃的各类错误。如下面业界公认定位困难的5类故障。

　　另据悉，华为专家团正在研究"预"故障告警，并已经取得了一定的成果。这个“预”真的不简单。什么是预故障?我们以PCIe设备为例，FDM通过对每个PCIe设备健康影响因子与现有状态的实时监测并进行加权统计，运用基于规则的专家系统进行模糊或非模糊推理的方法，估算设备的亚健康程度，并产生出预告警，提醒客户更换，避免未来故障扩大带来灾难性事故。后续即将实现CPU、内存、PCH、QPI上的预故障诊断。不久后，将会在华为关键业务服务器KunLun亮相。预故障诊断也是FDM的核心技术之一。

　　可靠性是X86架构下除性能外或者和性能同等重要的关键特性，相信华为服务器与广大通用部件/芯片厂商的合作，有望让X86系统的可靠性超越RISC系统，加快服务器RAS技术创新和产业升级的步伐。