Superaquecimento

O único incidente do jogo com causa física. A refrigeração de uma máquina falhou, e nenhuma quantidade de software convence o metal a esfriar.

O que ele faz

Em uma máquina, a temperatura cruza o limite de WARN aos 85 °C. Aos 95 °C ela atinge o desligamento térmico: a máquina vai para DOWN e fica lá por sessenta segundos completos — a mais longa interrupção forçada entre todos os incidentes.

A temperatura é limitada a uma faixa de 40–120 °C, então existe um teto real em vez de uma disparada ao infinito. Ela não precisa disparar; 95 °C bastam.

A assinatura nos logs

O kernel registra que o limite de temperatura foi cruzado e que a CPU está sofrendo throttling; o sensor de hardware pode informar que uma ventoinha parou:

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 mostra temperaturas e velocidades de ventoinha, e journalctl -k mostra as mensagens do kernel. A presença ou não da linha da ventoinha ajuda a dizer se o problema é de hardware ou de carga.

Se você deixar de lado

Uma interrupção garantida de sessenta segundos em uma máquina, mais dívida de SLA se o incidente continuar aberto. Em uma frota pequena e inicial, perder uma de três máquinas web por um minuto abre um buraco sério na média do turno.

O calor costuma ser um sintoma

Este é o incidente com mais chance de ser uma consequência. Carga sustentada eleva a temperatura, então uma máquina esquentando durante uma inundação pode estar reagindo à inundação, e não a uma ventoinha quebrada.

Como distinguir: uma falha real de refrigeração é reportada com um alarme de ventoinha e aparece em uma única máquina, sem uma história de carga por trás. O calor que segue a saturação vem depois que a CPU já está no limite.

Duas faces da intervenção

Tirar carga da máquina que esquenta pode trazer alívio temporário; enquanto a causa raiz continuar no lugar, a temperatura volta a subir. Pela saída do sensor, dá para ver o que uma intervenção de software resolveu e o que não resolveu.

Quando ele aparece