GPU 节点重装完成后，主机名和 IP 能恢复并不代表它已经回到原来的网络身份。Linux 接口名可能因枚举改变，RDMA 设备与端口、GUID、GID、MAC、交换端口、监控对象和调度标签之间的映射也可能失配。若自动化直接按旧接口名下发配置，可能把 RoCE 优先级、bond 或路由写到错误端口。
重装流程应以硬件稳定身份为锚点，从 BMC/资产编号、PCI 地址、网卡序列或 GUID 重建映射，再生成接口、RDMA、交换和编排配置。节点在完成固件/驱动、链路、MTU/QoS、RDMA、GPU 通信和监控验证前保持不可调度。恢复不是复制旧配置，而是重新证明旧意图在当前硬件与镜像上成立。
资产清单保存稳定锚点
重装前或资产系统中保存服务器身份、BMC、网卡完整身份、PCI 地址、MAC、GUID、物理端口、交换端口和 GPU/NUMA 关系。接口名、RDMA 名称和 Kubernetes 资源名作为派生值，不作为唯一锚点。硬件更换后显式更新映射。
镜像恢复后先核对版本组合
确认 BIOS/BMC、网卡固件、驱动、OFED/rdma-core、内核、容器组件和 Network Operator 版本符合批准矩阵。镜像可能带旧驱动或配置，先清理冲突来源再由唯一自动化接管。记录实际加载模块和 provider。
网络配置由意图重新生成
根据稳定身份生成接口命名、bond/VLAN、MTU、PFC/ECN、路由、GID 和安全策略，读取 oper 状态确认。交换侧核对 LLDP 或资产映射，防止布线改变。双口、多轨和 representor 分别验证，不根据端口顺序推断。
监控和调度避免幽灵对象
删除或关闭旧节点实例，确保新节点指标、告警和作业记账绑定当前身份。Kubernetes/Slurm 标签、GPU/RDMA 资源和拓扑信息重新发现。若旧对象仍在线，可能造成重复资产、告警错位或调度到未完成验收的节点。
准入从单机走到 Fabric
依次验证设备健康、链路、MTU/QoS、RDMA 点对点、NCCL、存储和管理路径，再开放调度。重启一次确认配置持久化，运行短时压力观察错误增量。保存准入报告与镜像摘要，失败节点回到隔离池修复。批量重装时逐节点生成证据，不能用第一台样板机的报告代表整批硬件；交换端口变更也要进入该节点的准入记录。
工程记录必须覆盖什么
- 保存服务器、BMC、网卡、PCI、MAC、GUID、交换与 NUMA 映射。
- 核对固件、驱动、内核、RDMA 和编排组件版本。
- 按稳定身份重建接口、VLAN/bond、MTU/QoS、路由和 GID。
- 清理旧监控/调度对象并重新发现 GPU/RDMA 资源。
- 完成链路、RDMA、NCCL、存储、重启和错误增量准入。
技术判断应绑定当前版本
NVIDIA Network Operator 文档说明 Kubernetes 环境中的网络驱动、设备与相关组件管理。
节点重装后的实际恢复步骤受操作系统、编排平台、网卡、固件、驱动和企业自动化流程共同影响。
文中机制与配置边界依据NVIDIA Network Operator 文档的当前版本核对；官方说明用于确定候选条件，实际部署仍需结合完整料号、服务器支持清单、软件组合与现场测试。
平台与网络的联合验证
中科新远是 NVIDIA Networking Elite 合作伙伴。中科新远可结合 ConnectX/BlueField、GPU 服务器与编排平台协助建立重装身份映射和分层准入记录，让节点恢复过程可重复。具体合作范围和项目交付内容以当前有效资质、官方目录及书面确认结果为准。
重装后主机名和 IP 与以前相同，为什么仍不能立即加入集群？
接口、GUID、驱动、QoS、交换映射、监控和调度身份仍可能变化，必须以硬件稳定身份重建并通过数据路径准入。
WeChat
Profile