RK3588 设备 7×24 长期运行的稳定性设计要点

RK3588 设备 7×24 稳定运行是分层工程：硬件层保电源与散热余量，系统层靠看门狗与只读根文件系统，应用层做进程自恢复，运维层留远程日志与回滚通道。判定靠 72 与 168 小时老化测试指标。

7×24 长期运行的稳定性问题出在哪几层？

短期能跑不等于长期稳定，只有长时间运行才会暴露的失效往往来自四层：

• 硬件层：电源余量不足在高温下崩溃、散热余量不足导致降频、连接器与线缆接触不良、风扇等运动部件的寿命。
• 系统层：内存与句柄缓慢泄漏、日志写满存储、根文件系统被写坏、时间同步异常。
• 应用层：进程异常退出后无人拉起、重启风暴、关键状态未持久化导致重启后状态丢失。
• 运维层：无远程日志与健康上报，故障后无法定位，也没有固件回滚通道。

分层的意义在于定位：先判断故障属于哪一层，再逐层细分，能缩短排查时间。经验上，长期运行问题中电源与散热占相当比例，但排查时容易被误判为软件崩溃。

硬件层怎么做稳定性设计？

• 电源余量：按峰值负载留余量（经验上不低于 30%），关注纹波与瞬态响应，电压跌落是掉电与重启的常见诱因。
• 散热余量：按设备内部实测的高温环境（如 50~60°C 环温）评估结温，而不是在常温台面测；散热余量不足会在高温下触发降频。
• 连接器与线缆：振动与温度循环会加速接触不良，关键连接应做固定与防松，线缆走向避免长期应力集中。
• 运动部件寿命：风扇是典型易损件，选型关注轴承类型与标称寿命，并设计转速监控与失速告警，避免风扇停转后才暴露问题。

硬件余量的具体数值须以实测与器件规格为准，RK3588 各型号的功耗与热设计约束以原厂官方规格书为准。散热设计建议在整机恶劣工况下验证，而非样机裸板测试。

系统层有哪些关键措施？

• 硬件看门狗与进程守护：看门狗提供一层「死机也能复位」的兜底，但喂狗逻辑必须能真实反映系统健康，不能由某个独立线程无脑喂狗。
• 泄漏的长期验证：内存与句柄泄漏在短测中不明显，必须跑长时间测试并记录内存占用、句柄数、线程数曲线，观察是否单调上升。
• 只读根文件系统与日志轮转：根文件系统只读可避免意外写坏导致无法启动；日志与临时数据放到独立可写分区并做轮转与容量上限。
• 时间同步与时间跳变：断电后系统时间会回跳，依赖时间的逻辑（证书校验、日志排序、任务调度）可能出错，应等网络时间同步完成后再执行敏感任务。
• RTC 与纽扣电池：需要离线保持时间的设备配 RTC 与纽扣电池，并把电池寿命纳入维护计划。

只读根文件系统加独立数据分区是长期运行的基本盘：它把「系统被写坏」的故障概率降到很低，同时让固件升级与数据管理的边界更清晰。

应用层怎么设计进程自恢复？

• 进程自恢复：关键进程由守护机制监控，异常退出后自动拉起，并记录退出码与退出时间便于分析。
• 重启风暴抑制：若进程反复崩溃，无限制拉起会造成重启风暴，应加入退避策略（重启间隔递增）与次数上限，超过上限后进入安全模式并上报。
• 异常状态上报：崩溃、看门狗复位、资源超限等异常要上报到运维平台，保留时间戳与上下文，形成可分析的故障记录。
• 关键状态持久化：把业务关键状态定期落盘，重启后可恢复到一致状态；写入要防掉电，避免落盘到一半损坏状态文件。

自恢复设计的原则是「允许失败、快速恢复、留下证据」：不追求进程永不崩溃，而是保证崩溃后系统能自动回到可用状态，并保留现场信息供事后分析。

掉电保护怎么做才靠得住？

掉电是长期运行设备的常见威胁，尤其在写 eMMC 时掉电可能损坏文件系统。做法分三步：

• 断电检测与安全关机：检测到输入电压跌落时，及时触发安全关机流程，完成写入中的操作并同步缓存。
• 超级电容或 UPS 的取舍：超级电容成本低、寿命长但储能有限，只够支撑短暂的安全关机；UPS 储能更多，但体积与成本更高并引入电池寿命管理。按安全关机所需时间选型。
• 避免在写存储时掉电：关键写入设计成原子操作（先写临时文件再改名），并缩短写入窗口，减少掉电落在写入过程的概率。

掉电保护的效果必须实测：在写入过程中反复断电，检查文件系统是否损坏、设备能否自动恢复。具体储能器件与时长须以实测与器件规格为准。

长稳验证怎么测？故障怎么定位？

验证要有明确的时长、工况与判定指标：

常见组合是 72 小时功能老化与 168 小时长稳测试，配合温循、反复上下电冲击与长时间大流量压力。判定通过的指标至少包括：无异常重启或看门狗复位、内存与句柄无单调上升趋势、关键业务全程可用、断电后能自动恢复并保持数据一致。只记录「没死机」是不够的，没有量化曲线的测试无法说明长期趋势。

故障定位建议按「先分层、再细分」：先判断是供电、散热、存储还是软件问题；确认层级后用日志、寄存器状态与实测数据缩小范围，例如用温度与频率曲线区分散热与软件卡顿；把故障条件收敛到可重复的小场景后再验证修复效果。这套顺序能避免「一上来就改代码」，很多看似软件崩溃的问题根因在电源或散热。

常见问题

• Q1：7×24 设备必须做 168 小时老化测试吗？建议至少做一轮 168 小时长稳，配合 72 小时功能老化。短测无法暴露缓慢泄漏与温升累积，测试要记录量化曲线而非只记录是否死机。
• Q2：看门狗能替代进程自恢复吗？不能。看门狗处理整机级死机并复位，进程级异常应由守护机制处理并留日志，两者分层，缺一不可。
• Q3：掉电保护用超级电容还是 UPS？按安全关机所需时间选：支撑时间短、体积受限选超级电容；更长续航或带电池管理能力选 UPS，具体时长以实测为准。
• Q4：长时间运行变慢可能是什么原因？优先排查散热导致的降频，其次是内存或句柄泄漏引起的内存压力。用温度、频率与内存曲线交叉判断比猜测更快。