服务器专题 | 第21期：查协商速率与AER：出厂体检表

服务器 · 2026-10-27 · 九羲科技

一台服务器到货，点亮了，系统里网卡、硬盘都认出来了，跑起来也不报错。这算验过货了吗？不算。点亮只证明链路通了，没证明链路跑在应有的速度上，也没证明链路跑得干净。真正要查的，是两行平时没人翻的数字：一行是 PCIe 链路谈出来的速度和宽度，一行是高级错误报告（AER）计数器里的错误账。这篇只讲这两行怎么查、查出什么算有问题。

先看谈出来的那一行

PCIe 链路的速度不是铭牌定的，是两端设备开机时谈出来的。链路训练与状态机（LTSSM）在上电后走 Detect、Polling、Configuration 几个状态，两边交换训练序列，把通道极性、通道编号、均衡参数和速率一一谈妥，最后落在 L0 才开始传数据²。谈不拢的地方，链路不会死撑，它会降速、降宽，找一个能站得住的档位先跑起来。能跑，和跑满，是两回事。

查的办法很具体：Linux 下用 lspci -vvv 看 Express 能力段。LnkCap 一行写的是这条链路宣称的能力，LnkSta 一行写的是谈出来的实际速度和宽度¹。两行一对照，落差立刻现形。Gen1 到 Gen5 每通道速率分别是 2.5、5、8、16、32 GT/s，x16 单向带宽对应约 4、8、15.8、31.5、63.0 GB/s³。一张标称 x16 Gen4 的卡，谈成 x8 Gen3，单向带宽就从约 31.5 GB/s 跌到约 7.9 GB/s，只剩四分之一。卡没坏，槽没坏，系统也没报错，性能却先打了对折。

同一张卡：标称 x16 Gen4 约 31.5 GB/s，谈成 x8 Gen3 只剩约 7.9 GB/s（示意图为程序绘制，长度按带宽比例）

这种落差不是纸上谈兵。英特尔一份技术通告写明：部分服务器主板在冷复位训练时，可能把第三方 x8 卡的链路宽度降到 x4 甚至 x2，发生率约 1%⁴。1% 听着小，落到某一台机器上就是 100%：一台机器的网卡如果长期跑在 x2 上，瓶颈不在网卡本身，在那条没谈好的链路上。而且降速降宽之后，链路自己不会再涨回去——除非重训。验收时不看 LnkSta，等于把一次性的谈判结果当成了永久的出厂状态。

所以第一条体检项只有一句话：每张关键卡的 LnkSta，速度与宽度都要对上 LnkCap，对不上的，记下来、重训一次、再看一次。重训后仍谈不上去的，再去查槽位、转接卡、固件版本。顺序不能反：先确认谈判结果，再怀疑硬件。

再看错误计数那一行

速度谈妥了，还要看链路跑得干不干净。PCIe 的错误分三档，档位按影响分⁵。可纠正错误由硬件自己消化，不用软件插手，也不丢数据，代价是重传与重训——性能税，不致命。不可纠正的非致命错误，坏的是某一次传输，链路本身还能用。不可纠正的致命错误，坏的是链路本身的可靠性。

查的办法同样具体：lspci -vvv 里 AER 一段，UESta 与 CESta 两行分别列着不可纠与可纠错误的名目；Linux 内核还会把 AER 计数暴露成 sysfs 属性⁵。验收时的做法是抄两遍：到货先抄一遍当基线，跑完压力测试再抄一遍。两次一减，新增的数才是这台机器自己的。只抄一遍没用——计数器不会自己清零，到货时的读数里可能混着出厂测试留下的旧账。

AER 三档：可纠正错误硬件自己消化，不可纠正分非致命与致命两档（示意图为程序绘制）

三档的处置各不相同。可纠正错误计数在涨，机器照常跑，但要问一句：涨得快不快。内核文档里有个细节值得留意：可纠正与非致命错误的日志是限流的，默认 5 秒内同类事件只报 10 条，致命错误与下游端口遏制（DPC）事件不限流⁵。限流不是为了好看，是因为可纠正错误在真实链路上并不罕见——罕见的是它突然加速。一次验收里可纠正计数纹丝不动，和压测一夜涨了几千条，是两种完全不同的体检结果，前者可以放行，后者要留下来查信号完整性。

不可纠正错误计数不为零，不管非致命还是致命，都不能直接放行。非致命错误意味着已经有传输不可靠过；致命错误意味着链路本身出过问题。戴尔的事件手册里有一条对应的记录：下游端口遏制事件发生时，系统会通知操作系统尝试恢复⁶。这类事件在出厂体检里出现，正确动作不是重启了事，而是把当时的错误名目、头日志、发生时间留下来，换槽、换卡、升级固件逐项排除。有过先例：某 Linux 发行版在遏制事件后恢复设备失败，最终只能靠重启恢复⁷。能恢复不等于没病根，体检的意义正在于把病根留在纸面上。

一张出厂体检表

落到一张表上，体检项其实只有五条。速度：LnkSta 速率对上 LnkCap。宽度：LnkSta 宽度对上 LnkCap。第三条：到货基线的可纠正错误计数。第四条：压测前后的不可纠正错误计数，必须为零。第五条：重训或复位后复查一遍 LnkSta，确认谈判结果稳定，不是时好时坏。五条全过，机器才算验过货；任何一条不过，备注里写清楚落差数字和复查结果，不要只写“正常”两个字。

以小见大的一层判断：服务器验收里最常见的错觉，是把“能跑”当成“跑对了”。铭牌写的是能力上限，谈判桌上谈出来的是实际档位，计数器里记的是跑过之后的真实代价。三样东西不在一个层面上，验收就得三样分开查。往深里看，这也是整机生意里反复出现的形状：单点参数都对，组合起来才现形——第 20 期内存降频是这个形状，链路谈判也是这个形状。看一台机器，不能只看它由什么零件组成，要看这些零件第一次握手时谈成了什么，以及握手之后留下了多少痕迹。

没完全想通、留下一个问题：可纠正错误的“正常值”到底是多少，至今没见过哪家厂商公开写出一条验收红线。计数为零当然好，可真实链路上偶发的可纠正错误并不罕见；涨多少算异常，缺一个公开的、可复现的口径。在没有这条线之前，体检表上的合格线只能先写成工作规则：交付基线清楚、压测后零增长、不可纠正为零。这条线是作者的工作建议，不是厂商规范——等有人把红线写出来，这张表再改。

· · ·