Linux dmesg出现CPU过热告警的排查与解决
一、快速确认与定位
- 查看内核日志，聚焦温度与降频信息：
- dmesg | grep -iE “thermal|temp|throttle|cpu”
- 观察是否出现“Temperature above threshold”“Running in modulated clock mode”等提示，这通常意味着温度超过阈值并触发了降频保护。
- 实时监控温度与风扇：
- 安装并检测传感器：sudo apt install lm-sensors && sudo sensors-detect
- 查看读数：watch -n 1 sensors（关注核心温度与风扇转速）
- 其他工具：glances（按f显示传感器）、i7z（Intel 频率/温度细节）
- 理解温度区间（不同CPU有差异，以下为通用参考）：
- 空闲：30–50°C；负载：50–80°C；危险：>85°C
- 可查询厂商规格的 Tjunction/TjMax（最高耐受温度）以判断余量。
二、紧急降温与风险控制
- 立即降低负载与频率：
- 终止异常进程：top/htop 定位后 kill，或 pidstat -u 1 5 找出高占用进程
- 限制最高频率（临时）：sudo cpupower frequency-set -u 2GHz（示例将上限设为2.0GHz）
- 启用系统级温控守护进程（Intel平台优先）：
- 安装并启动 thermald：它会基于 RAPL、Intel P-state、CPU freq 等在温度达到阈值时主动介入（风扇、降频等），默认零配置即可运行。
三、硬件与环境排查
- 散热器与风道：
- 检查散热器是否压紧、导热硅脂是否干裂/涂抹不均，必要时清洁并重新涂抹
- 确认风扇是否转动、转速是否正常（sensors | grep fan），清理积尘、优化机箱进/出风
- 环境与供电：
- 机房/房间温度尽量低于25°C，避免阳光直射与密闭空间
- 服务器可用 ipmitool sensor list 查看温度/电压等传感器，必要时调整风扇曲线与告警阈值
- 供电与主板：
- 检查电源输出稳定性与主板 VRM 供电模块有无过热/烧灼痕迹，必要时测量关键电压或更换电源/主板。
四、BIOS与内核参数优化
- BIOS/UEFI 设置：
- 启用 EIST/Speed Shift、C-states、Turbo Boost（按需），设置合理的风扇曲线与温度告警阈值
- 关闭不必要的超频/电压偏移，恢复默认或保守值以稳定性为先
- 内核与驱动：
- 现代 Intel CPU 建议使用 intel_pstate 驱动（性能/功耗更优）：
- GRUB_CMDLINE_LINUX_DEFAULT=“quiet splash intel_pstate=enable”
- 更新 grub 后重启
- 使用 cpufrequtils 设置节能调速器（如 powersave/ondemand），降低空闲与轻载温度
- 不建议的做法：
- 通过 nomce 或关闭 CONFIG_X86_MCE_P4THERMAL 等方式“屏蔽告警”。这只是隐藏提示，无法解决过热，且会丧失温度/硬件监控能力。
五、验证与长期监控
- 压力测试与同步监控：
- 运行压力测试观察温控效果：stress-ng --cpu 4 --timeout 60s
- 同时执行：watch -n 1 “sensors && uptime”，确认温度是否稳定在安全区间
- 建立持续监控与告警：
- 部署 Prometheus + node_exporter + Grafana，配置规则例如：node_hwmon_temp_celsius{label=“coretemp”} > 80 持续 5m 触发告警
- 定期维护：每季度清洁散热系统、每1–2年更换优质导热硅脂、巡检风扇轴承与机箱风道。