结论:大屏要跑满 24 小时不重启,靠的不是更重的服务器,而是六个能落到纸面的措施——供电双路、散热留量、看门狗自愈、断点续传、监控告警、灰度升级。多数项目的崩溃都能从这六项里找到缺口,其中散热和供电两项占掉实际故障的一半以上。
一、六个可靠性措施与实施参数
下面这张表把六个措施各自的做法、量化参数和失效后果列在一起。参数按常见的工业级工控机与小主机两种形态给出,落地时按实际机型再校准。
| 可靠性措施 | 实施参数 | 失效后果 | 优先级 |
|---|---|---|---|
| 供电冗余 | 双路市电 + UPS 支撑 15 分钟 | 瞬时断电直接黑屏 | 高 |
| 散热留量 | 进风温度低于 35℃,留 30% 风量余量 | 高温降频、蓝屏、周期重启 | 高 |
| 看门狗自愈 | 60 秒无心跳自动重启并回放 | 进程假死,画面长期停在旧帧 | 高 |
| 断点续传 | 断网后本地缓存,恢复后补齐 | 数据缺口永久丢失 | 中 |
| 监控告警 | 指标采集间隔 10 秒,异常 1 分钟内触达 | 故障无人知晓,靠访客投诉 | 高 |
| 灰度升级 | 先单机验证,再逐台放量 | 版本问题一次性放大到全场 | 中 |
这六项的优先级不是平均的。供电和散热是物理层的失效,一旦发生就是硬停,软件层任何手段都救不回来。看门狗能救假死进程,但救不了机器过热重启。所以排查现场问题时,建议从这六项里靠前的两项开始排除。
二、供电与散热:物理层的两道防线
大屏现场常见的供电意外不是全厂停电,而是某一路空开跳闸、空调启动时的瞬时电压跌落,或者园区检修导致的短时断电。UPS 的作用不是让机器一直开着,而是撑住那段切换时间,让机器走完正常关机或直接扛过电压波动。
- UPS 容量:按主机加外设总功率的 1.5 倍配置,常见 500W 主机配 1kVA UPS;
- 续航目标:至少撑 15 分钟,够完成自动保存与安全关机;
- 双路市电:主机电源用一路,屏幕与网络设备用另一路,避免同一路空开跳闸时一起黑;
- 接地与浪涌:大屏多户外箱体走电时,加装浪涌保护器并确认接地电阻;
- 记录切换实测值:装好后现场拉一次闸,实测断电到恢复供电的时间,作为验收依据。
散热是六个措施里容易被忽略、又影响寿命较大的一项。很多机房把机器塞进封闭机柜,前面板进风孔被线缆堵住,机器一直在 60℃ 以上工作。温度每升高 10℃,风扇转速就要提高一档,寿命是递减的。
| 进风温度 | 机器表现 | 处理动作 |
|---|---|---|
| 低于 30℃ | 风扇低速,噪音小 | 正常运行 |
| 30-38℃ | 风扇中速,可持续运行 | 正常运行并记录 |
| 38-45℃ | 风扇高速,噪音明显 | 清理滤网,检查机柜封闭度 |
| 45℃以上 | 降频、随机重启 | 立即处理,加装排风或降低负载 |
- 滤网:每 3 个月清理一次,灰尘堆积会让进风量掉三成;
- 线缆:理线让前面板进风孔保持通畅,不要把排线绑在进风口上;
- 机柜:留 30% 风量余量,连续满载时进出风温差控制在 12℃ 以内;
- 光照与散热分离:大屏发光本身发热,正面屏体和主机背对背摆放时留出 20 厘米以上的间距。
三、看门狗与断点续传:让机器自己爬起来
看门狗的逻辑很朴素:主程序每完成一轮渲染就上报一次心跳,监控端连续 60 秒收不到就判定假死,触发重启并把画面恢复到重启前的状态。这一条能覆盖掉相当大比例的偶发故障,而且不需要人工介入。
断点续传解决的是另一类问题:机器重启期间采集到的数据会丢。做法是在本地留一个滚动缓存,记录每条数据的序号和校验值,网络恢复后按序号补齐,重复的部分按序号去重。缓存深度按可容忍的断网时长上限倒推,比如能容忍 2 小时断网,缓存至少存 2 小时的数据量。
- 心跳间隔:主循环每 5 秒上报一次,避免网络抖动导致误判;
- 判定阈值:连续 3 次心跳丢失即触发,合计 60 秒;
- 重启保护:同一小时内重启超过 3 次,改为告警不再自动重启,避免无限重启循环;
- 恢复目标:重启后 90 秒内回到正常画面,超时即升级为告警;
- 缓存回补:网络恢复后 10 分钟内补齐缺口数据,并生成一条补传记录供核对。
四、监控告警与灰度升级:让故障被知道,让发版可控
大屏装在展厅、园区或者指挥中心,人不来也要知道它坏没坏。告警设计上有两条原则:一是指标采集要轻,采集本身不能拖慢渲染,通常间隔 10 秒取一次;二是告警要分级,否则告警多了就等于没有告警。
| 告警级别 | 触发条件 | 通知方式 | 响应时限 |
|---|---|---|---|
| 紧急 | 主程序停止心跳 | 电话 + 短信 | 15 分钟 |
| 重要 | 温度超 45℃ 或磁盘将满 | 短信 + 客户端推送 | 2 小时 |
| 一般 | 数据延迟超 5 分钟 | 客户端推送 | 当日 |
| 提示 | 例行重启、版本更新 | 站内记录 | 无需响应 |
常驻大屏比较怕的就是发版。一台机器出问题可以修,全场机器同时出问题就是事故。灰度升级的作用就是把风险拆开,让版本问题一次只暴露在一两台机器上。
- 阶段一:测试环境跑满 24 小时,确认无异常再进生产;
- 阶段二:选 1 台机器升级,观察 3 天,确认渲染与恢复都正常;
- 阶段三:同批次铺开一半,观察 3 天;
- 阶段四:全量铺开,保留旧版本安装包 30 天;
- 回滚条件:出现白屏、卡顿超过 5 秒、或数据延迟超过 10 分钟,任一条满足即回滚。
回滚包必须和升级包一起归档,且在发布前实测过一次回滚流程。很多项目升级脚本写好了,回滚脚本没写,等真出问题时才发现两套版本的文件结构对不上。
五、上线前按这份清单自查一次
- 供电:确认 UPS 续航、实测一次拉闸,记下切换时间;
- 散热:读一次进出风温差和 CPU 温度,超过 38℃ 就先处理;
- 看门狗:手动停一次主程序,验证自动重启与画面恢复是否生效;
- 缓存:拔一次网线 10 分钟,确认数据能补齐;
- 告警:临时拔掉采集端,确认告警在 1 分钟内送达;;灰度:确认回滚包在,且至少在测试环境跑过一次回滚。
这六项做全之后,大屏的可用性通常能稳定在 99.5% 以上,折算下来一年因系统原因导致的停屏时间可以压到 4 小时以内。剩下的时间多半来自外部供电改造和显示硬件老化,这两类要靠运维合同和备件预案覆盖。要做一份针对具体项目的稳定性评估,把现场环境、机型和运行时长发过来,电话150-2996-5773。