功能教程：全栈硬件健康监控 (Nexus Monitor)

HrnrOS 的硬件监控模块不仅仅是被动展示数据，它是一个具备自我感知与自愈能力的全栈健康诊断平台。它能实时捕获从 CPU 寄存器错误到光模块电压波动的微小异常，并在系统崩溃前发出预警。

⚠️ 关键前置：部署监控 Agent

硬件监控的数据源依赖于运行在服务器上的 Agent 程序。在使用本模块前，请务必完成 Agent 部署：

1. 前往 [资产管理] 页面。
2. 勾选目标服务器，点击 “批量部署 Agent”。
3. 等待部署完成后，服务器会自动向监控平台注册并开始上报数据。

---

步骤 1: 全局健康看板

进入 “硬件健康监控” 页面，首先看到的是全局状态大盘。

1. 状态总览：
   • 通过顶部的统计卡片，您可以快速了解当前有多少台服务器处于 正常、 告警 或 故障 状态。
   • 标签云： 右侧的动态标签云展示了当前系统正在实时监控的关键指标（如 GPU ECC, NVMe Health, 光模块电压 等）。
2. 资产列表：
   • 列表展示了每一台服务器的核心硬件摘要（CPU型号、内存总量、GPU数量等）。
   • Agent 版本管理： 在“Agent版本”列，如果发现图标变为黄色 v1.0.1 (点我升级)，说明该服务器的 Agent 版本过低，点击即可一键远程热升级。

步骤 2: 深度硬件透视

点击列表中的任意硬件图标（如 CPU、内存、磁盘），将打开深度诊断模态框。

1. CPU & 内存透视

• CPU： 查看每个物理核心的主频、温度、L3 缓存大小。
• 内存： 系统会绘制出物理插槽分布图，显示每条内存的 厂商、序列号 (SN)、频率 以及 ECC 错误计数。
  • 故障定位： 如果某条内存发生 CE/UE 错误，系统会直接标红该插槽，方便运维人员携带备件精准更换。

2. 存储健康 (Smart & RAID)

• 物理磁盘： 查看每块硬盘的 SMART 健康评分、通电时间、总读写量。
• RAID/逻辑卷： 实时监控 RAID 卡状态（如缓存电池电量、RAID 级别），并展示逻辑卷的降级/重建进度。

3. GPU 算力诊断

• 专为 AI 场景设计，实时监控 GPU 的 显存使用率、功耗墙、温度。
• ECC 监控： 独立展示 SRAM/DRAM 的单比特跳变错误，帮助您提前发现不稳定的显卡。

步骤 3: 智能修复 (Self-Healing)

当 Agent 失联或系统出现“假死”状态时，您无需登录服务器，直接使用智能修复功能。

1. 在列表右侧的操作列，点击红色的 “” (智能修复) 按钮。
2. 自动执行流程：
   • Phase 1: 尝试通过 SSH 重启 Agent 服务。
   • Phase 2: 如果 SSH 不通，自动调用 IPMI 接口执行 BMC 重置。
   • Phase 3: (可选) 执行电源循环（Power Cycle）以强制恢复硬件状态。
3. 修复过程中，系统会弹出一个日志终端，实时打印每一步的执行结果。

步骤 4: 基准变更管理

为了防止硬件被私自更换或移除，系统引入了“基准快照”机制。

• 告警场景： 当服务器的硬件配置（如内存条数量、磁盘型号）发生变化时，系统会立即触发 “硬件变更告警”。
• 合法变更确认：
  • 如果您确实进行了硬件升级（例如加装了内存），请在详情页点击 “ 设为新基准”。
  • 系统会将当前的硬件配置保存为新的“正确标准”，告警随即消除。