Überhitzung

Der einzige Vorfall im Spiel mit einer physischen Ursache. Die Kühlung einer Maschine ist ausgefallen, und keine Menge Software überredet das Metall dazu, wieder abzukühlen.

Was sie tut

Auf einer Maschine überschreitet die Temperatur bei 85 °C die WARN-Schwelle. Bei 95 °C kommt es zur thermischen Abschaltung: Die Maschine geht auf DOWN und bleibt dort volle sechzig Sekunden – der längste erzwungene Ausfall aller Vorfälle.

Die Temperatur ist auf ein Band von 40–120 °C begrenzt, es gibt also eine echte Obergrenze statt eines Davonlaufens ins Unendliche. Sie muss nicht davonlaufen; 95 °C reichen.

Die Log-Signatur

Der Kernel protokolliert, dass die Temperaturschwelle überschritten wurde und die CPU drosselt; der Hardwaresensor meldet möglicherweise, dass ein Lüfter stehen geblieben ist:

05:14:03 web-03 kernel: nct6775 nct6775.656: fan1: alarm, input 0 RPM below min 600 RPM
05:18:30 web-03 kernel: CPU0: Core temperature above threshold, cpu clock throttled (total events = 312)
05:22:14 web-03 kernel: thermal thermal_zone0: critical temperature reached (105 C), shutting down

sensors zeigt Temperaturen und Lüfterdrehzahlen, und journalctl -k zeigt Kernel-Meldungen. Ob die Lüfterzeile da ist oder nicht, hilft dir zu unterscheiden, ob das Problem Hardware oder Last ist.

Wenn du sie in Ruhe lässt

Ein garantierter Ausfall von sechzig Sekunden auf einer Maschine, plus SLA-Schuld, wenn er offen bleibt. In einem kleinen, frühen Serverpark reißt der Verlust einer von drei Webmaschinen für eine Minute ein ernstes Loch in den Schichtdurchschnitt.

Hitze ist oft ein Symptom

Dies ist der Vorfall, der am ehesten eine Folge ist. Anhaltende Last erhöht die Temperatur, sodass eine Maschine, die sich während einer Flut aufheizt, vielleicht auf die Flut reagiert und nicht auf einen defekten Lüfter.

So unterscheidest du es: Ein echter Kühlungsausfall wird mit einem Lüfteralarm gemeldet und tritt auf einer einzelnen Maschine ohne begleitende Lastgeschichte auf. Hitze, die auf eine Sättigung folgt, kommt, nachdem die CPU bereits am Anschlag ist.

Zwei Gesichter des Eingriffs

Last von der heiß werdenden Maschine zu nehmen, kann vorübergehend Entlastung bringen; solange die Grundursache bestehen bleibt, steigt die Temperatur wieder. Aus der Sensorausgabe kannst du ablesen, was ein Software-Eingriff behoben hat und was nicht.

Wann sie auftaucht