本文是「电子设备故障诊断」系列的第 3 篇(完结)。
上一篇:自机检测 · 从头读:第一篇

前两篇讲了”机器给自己体检”。但现实里更常见的情况是:故障机自己跑不动程序了。

这时候要换一个姿态——一台健康的机器当”诊断主机”,另一台当”被诊断机”。

三种模式,对应三种能力边界

模式 前提 系统能做什么
接口采集 故障机还能进系统,能起 Target Agent 远程查询能力、下发采集、拉回证据、跑完整诊断
离线证据 不能稳定运行,但能导出 runtime_info.json 用同一套诊断流程吃离线证据
现场指导 开不了机 / 反复蓝屏 / 盘读不出 只能给初步判断、补采清单、现场排查步骤

第三种最容易做错。

因为这时候系统手上几乎没有证据,只有用户口述的”开机没反应””风扇转但不亮”。在这种信息量下给出确定性结论,等于算命。

所以这一档的输出被刻意限制成:

  • 记录哪些现象(电源灯、风扇、蜂鸣码、屏幕文字、外接屏结果)
  • 建议做哪些交叉测试(换适配器、换插座、外接显示器、最小系统法)
  • 明确写出”证据不足,无法区分 X 与 Y”

接口采集怎么跑

在被诊断机上起一个 Agent:

1
python target_agent.py --host 0.0.0.0 --port 8790 --token lab-token

在诊断主机的”互机诊断”页填地址、Token、厂家型号、故障时间和症状描述,先”测试连接/查询能力”,确认这台机器当前能采到哪几层证据,再下采集任务。

这个”先查能力”的步骤很关键:

  • 有些机器没装 smartctl,拿不到 SMART
  • 有些机器事件日志权限不够,只能读到一部分
  • 有些机器没有 dump,因为没开转储

先知道能拿到什么,再决定诊断路径——而不是先跑一套固定流程然后报错。

为什么用 Token,而不是”内网就随便连”

Target Agent 的设计里有个 --token 参数,看起来有点多余——毕竟大多数场景是同一个局域网。

但”能远程读一台机器的完整硬件清单和事件日志”,本身就是一个很敏感的能力。哪怕在内网,也不该默认任何人可连。

所以:绑定端口、要 Token、只暴露必要的采集接口,不提供任何写操作或 shell 执行。

这也是这个项目的一条底线:诊断工具只读,不做任何修改。 修不修、怎么修,由人决定。

真正的下一步:主动补采

这个项目里我自己最看重的部分,是”证据不足时该采什么”。

传统诊断工具的做法是:给一个结论,置信度 60%。用户不知道这 60% 是怎么来的,也不知道该做什么能提高到 90%。

这里换了个问法:

在现有证据下,做哪一个测试,能最大程度地区分剩下的几个候选?

这叫 Next-Best-Test。举个具体例子:

1
2
3
4
5
6
7
8
候选:driver_fault(0.4) / hardware_fault(0.35) / configuration_fault(0.25)

可做的测试:
A. 更新存储驱动(成本 10 分钟,能区分 driver vs 其它)
B. SSD 短自测 (成本 2 分钟,能区分 hardware vs 其它)
C. 换线材 (成本 20 分钟 + 拆机,能区分接口 vs 其它)

系统推荐:先做 B(最便宜且切分最大),再做 A

它的价值不是”更准”,而是把不确定性变成了可执行的动作。

现在的边界

说几句实话:

  • 权重是拍的。 证据融合里的权重、NBT 的收益/成本参数,目前都是经验值,需要用真实维修案例(尤其是有 repair_result 回填的案例)来校准。
  • dump 只取元数据。 没有集成 WinDbg !analyze -v,所以对”哪个驱动踩的栈”这种细粒度归因还做不到。
  • 混合故障很难。 同时存在两个独立故障时,系统倾向于输出 mixed_or_uncertain——这不算错,但也不够有用。
  • 没有大规模验证。 目前主要在公开数据集(RCAEval / LogHub / GAIA)和少量真实案例上跑过,跨机型泛化性还没验证。

这个系列想说的

三篇写下来,其实就一件事:

诊断的价值不在于给出答案,而在于把”不知道”变成”知道该问什么”。

换件很容易。难的是在换之前,搞清楚到底该不该换。


系列完结。项目在这里:https://github.com/JINRONG121312/electronic-device-fault-diagnosis

如果你手上有一台”修不好的电脑”,欢迎把它的 runtime_info.json 发我——真实案例比任何数据集都值钱。