核心是让硬件真干活、实时看温度、结合风道与负载看差异；需满载压测、分部件测温查温差、验证散热响应、对照行业阈值判断风险。
直接测发热，核心是“让硬件真干活+实时看温度+结合风道和负载看差异”。不能只盯着一个数字，得看温度怎么升、在哪升、升了之后系统怎么反应。
一、先让服务器满载运行
发热是负载的副产品，不加压就测不准。关键不是“跑满”，而是“跑对”：
- CPU：用 stress-ng -c $(nproc) -t 1800s 持续压满所有逻辑核30分钟以上，比单纯跑单线程更贴近真实高密度场景
- GPU（多卡）：用 gpu_burn -d 1800 同时压所有卡，或搭配 nccl-tests 做带通信的全链路压测，避免只热显存、不热NVLink
- 整机协同：同时运行 stress-ng + gpu_burn + fio 随机写（如 fio --name=io --rw=randwrite --bs=4k --size=50G --runtime=1800），模拟AI训练中计算、通信、IO并行的真实热负荷
二、分部件实测温度，重点看温差和趋势
别只信BMC面板上一个“CPU最高温”，要拆开看：
- CPU核心：用 ipmitool sensor list | grep CPU 每30秒采样一次，记录前10分钟升温斜率（比如从45℃升到72℃用了210秒）
- 内存模组：查 DIMM_A1_Temp / DIMM_B2_Temp，注意同通道不同槽位的温差——若相差＞8℃，大概率是风道偏流或插槽接触不良
- NPU/GPU显存与核心：用 npu-smi info 或 nvidia-smi -q -d temperature 分开读取，显存比核心高5℃以上属正常，但高＞12℃需检查散热贴片或风扇转速同步性
- 进/出风口温差：用红外测温枪实测机柜前门进风区与后门排风区，差值＞25℃说明风阻过大，可能被线缆或盲板堵住
三、验证散热系统是否跟得上
温度稳不住，问题往往不在芯片本身：
- 查风扇策略：执行 ipmitool sensor list | grep -i fan，确认中置风扇（负责CPU/NPU）转速是否随温度线性上升；若温度升到70℃但风扇仍停在6000 RPM，可能是BMC固件限频或PWM信号异常
- 看降频痕迹：压测中执行 watch -n 1 'cat /proc/cpuinfo | grep "MHz"'，若基础频率从2.6GHz掉到1.8GHz，说明已触发thermal throttle，此时再高的散热参数也失去意义
- 对比裸机与机柜环境：同一台服务器，桌上裸机测试GPU达82℃，装入标准机柜后仍达80℃，基本可判定是机柜冷通道送风不足，而非服务器自身问题
四、参考行业硬性阈值做判断
不是温度低就好，要看是否落在规范窗口内：
- GB/T 2423.2-2008 要求服务器高温测试≥55℃，持续16小时不降频——你的实测若在60℃下运行2小时就触发告警，即未达标
- T/UNP 538-2025 对高功率密度设备要求“满载30分钟后，GPU核心与机柜回风温差≤15℃”，若实测差值为22℃，说明散热设计或部署存在瓶颈
- 安全红线：CPU＞90℃、内存DIMM＞85℃、NPU显存＞95℃属于不可接受，必须干预，哪怕只是临时增加导风罩或调整机柜U位
