一、交付前:合同必须写清的 6 项
验收做得好不好,一半取决于合同写得细不细。以下 6 项如果合同里没有,验收时就缺少判断依据。
| 要素 | 含糊写法(不要) | 可执行写法 |
|---|---|---|
| 硬件配置 | 高性能双路服务器 | CPU:E5-2680 v4 × 2;内存:128G DDR4 ECC;硬盘:2 × 1T SSD(RAID1) |
| 带宽 | 100M 带宽 | 100Mbps 独享,BGP 多线,月流量不限,超出按 ¥X/Mbps 计 |
| 电力 | 含电 | 含 2kW 基础额度,超出按 ¥X/kWh 计,PDU 双路供电 |
| IP | 含 IP | 含 1 个 IPv4,可增配,增配价 ¥X/个/月,IP 段可备案 |
| SLA | 保证稳定运行 | 月度可用率 ≥99.9%,按「1 - 不可用分钟数 / 当月总分钟数」计算 |
| 赔偿 | 视情况补偿 | 可用率 99.5%~99.9% 减免月租 10%;低于 99.5% 减免 30%;低于 99% 减免 100% |
「可执行写法」的关键是三个特征:有具体型号或数值、有统计口径、有对应后果。缺任何一个,条款在争议时都很难落地。特别是可用率,必须写清「不可用」的定义——是「网络不通」,还是「机器断电」,还是「业务不可访问」?三种口径算出来的可用率差好几倍。
另外,合同正文之外建议再附 2 份附件:一份是配置清单(型号、容量、带宽、IP 数逐项列明),一份是验收项目清单(本文第二节的 12 项,加盖双方公章)。附件与正文同效,口头承诺不写进附件,出问题时基本无法主张。
二、交付当天:12 项验收清单
验收不是「能连上就算完」。按下面 12 项逐条核对,每项留一张截图或一条命令输出,形成验收记录。这份记录在后续故障定责时是最有力的证据。
| # | 类别 | 验收项 | 合格标准 | 怎么查 |
|---|---|---|---|---|
| 1 | 硬件 | CPU 型号与核数 | 与合同一致 | lscpu 或 dmidecode |
| 2 | 硬件 | 内存容量与频率 | 容量一致,ECC 开启 | dmidecode -t memory |
| 3 | 硬件 | 磁盘型号、容量与 RAID | 型号一致,RAID 级别正确 | lsblk、mdadm --detail |
| 4 | 硬件 | 磁盘健康 | SMART 无重映射扇区 | smartctl -a |
| 5 | 网络 | IP、网关、DNS | 与交付单一致 | ip addr、ping 外网 |
| 6 | 网络 | 带宽实测 | ≥ 标称值的 90% | iperf3 双向测 |
| 7 | 网络 | 时延与丢包 | 丢包 <1%,时延符合节点口径 | mtr 跑 100 包 |
| 8 | 性能 | 磁盘随机读写 | 4K 随机写 IOPS 达到机型水平 | fio 4K 随机写 60 秒 |
| 9 | 性能 | CPU 满载稳定性 | 满载 10 分钟无降频、无报错 | stress-ng 或 sysbench |
| 10 | 交付物 | 远程管理 | IPMI/KVM 可登录(如含) | 浏览器登录管理口 |
| 11 | 交付物 | 账号与凭证 | root/管理员密码、面板账号齐备 | 实际登录一次 |
| 12 | 交付物 | 工单与报障通道 | 工单系统可登录,值班电话可通 | 提交 1 条测试工单 |
12 项里最容易漏的是第 4、6、8 三项。SMART 不查,可能开局就带着一块有坏道的盘;带宽不实测,标称 100M 实际跑 60M 也发现不了;磁盘不测 IOPS,等到数据库上线才发现盘是 SATA 而非 NVMe。这三项加起来只要 20 分钟,能避免后面几周的排查。
三、性能基线:三项必测,留档对比
验收时测出的数字,就是后面判断「变慢了没有」的基准。建议把三项结果写进验收记录,后续出问题时直接对比。
带宽:用 iperf3 双向测,不看单向下行
很多测速工具只测下行,看起来很快,但服务器的主要压力在上行(对外提供响应)。用 iperf3 同时测双向:服务端起 -s,客户端起 -c,先测上行再测下行。合格标准是双向都达到标称值的 90% 以上。100M 带宽实测应在 90Mbps 以上,低于 80Mbps 就要问清是不是共享。
磁盘:4K 随机写 IOPS 是数据库的真实瓶颈
顺序读写数字好看但没意义,数据库跑的是随机 IO。用 fio 测 4K 随机写 60 秒,SATA SSD 通常在 15,000~30,000 IOPS,NVMe 在 80,000 IOPS 以上。如果测出来只有 2,000 左右,说明盘是机械盘或 RAID 卡无缓存,要立刻找服务商确认。
网络质量:mtr 跑 100 包看丢包与抖动
ping 只能看平均时延,mtr 能看到每一跳的丢包。重点看 3 个指标:端到端丢包率(应 <1%)、时延抖动(应在平均值的 ±30% 内)、是否在某一跳开始持续丢包(说明该段链路有问题)。验收时从 3 个不同网络(电信、联通、移动)各跑 1 次,能提前发现单线节点的跨网问题。
高功率与 GPU 场景的 4 项额外验收
普通 1U 机器的验收清单够用,但 GPU 整机要多查 4 项,因为它们的故障代价高得多:
- 逐卡识别:nvidia-smi 确认 8 张卡全部在线,显存容量与型号一致,没有卡处于「ERR」或「Lost」状态。掉 1 张卡往往在满载时才暴露,验收时就要看全。
- 满载温度:跑 30 分钟满载压测,记录每卡温度与风扇转速。8 卡机热点温度应控制在 85℃ 以内,超过就说明风道或冷通道有问题。
- 卡间通信:跑一次 NCCL all-reduce 带宽测试,8 卡之间的带宽应在标称值的 70% 以上。这个数字直接决定训练效率,低于 50% 通常是 PCIe 拓扑或 P2P 未开启。
- 电力读数:对比 PDU 电流与实际功率,偏差应在 10% 以内。偏差过大说明计量或接线有问题,会直接影响后续电费核算。
这 4 项加起来约 1 小时,但能把「上架后才发现掉卡」「训练效率只有一半」这两类最难排查的问题提前暴露。GPU 托管的验收报告里,建议把这 4 项数据单独列一页,作为后续性能对比的基线。
四、SLA:99.9% 到底意味着什么
可用率的每个「9」都对应具体的停机时间,算清楚才知道这个承诺值多少钱。
| 可用率 | 年停机 | 月停机 | 适用场景 |
|---|---|---|---|
| 99% | 87.6 小时 | 7.3 小时 | 内部系统、测试环境 |
| 99.9% | 8.76 小时 | 43.8 分钟 | 企业官网、常规业务系统 |
| 99.95% | 4.38 小时 | 21.9 分钟 | 电商、在线交易 |
| 99.99% | 52.6 分钟 | 4.4 分钟 | 金融、核心生产系统 |
物理机租用能承诺的通常是 99.9%,做到 99.99% 需要架构层面做冗余(双机热备、负载均衡),单台机器在物理上做不到——一次硬件故障排查加换件,很容易超过 4 分钟。所以看到「单台机器承诺 99.99%」的报价,要问清它怎么统计、故障时怎么算。
还有一个容易忽略的点:计划内维护算不算停机。规范的做法是「提前 48 小时通知的计划维护不计入不可用时长,但单次不超过 4 小时、全年不超过 12 小时」。如果不写这条,服务商可以用「频繁维护」规避 SLA。
五、故障分级:P1 到 P4 的响应与恢复时限
SLA 只写可用率不够,还要写清「出问题多久响应、多久恢复」。按影响面分 4 级,每级给明确时限。
| 级别 | 定义 | 响应时限 | 恢复目标 | 通报方式 |
|---|---|---|---|---|
| P1 紧急 | 整机不可用、网络全断,业务停摆 | 15 分钟 | 4 小时内恢复或给出替代方案 | 电话 + 工单,每小时同步进展 |
| P2 严重 | 性能严重下降、部分服务不可用 | 30 分钟 | 8 小时内定位并恢复 | 工单 + 电话,2 小时同步 1 次 |
| P3 一般 | 单点功能异常,有规避方案 | 2 小时 | 24 小时内处理 | 工单 |
| P4 咨询 | 配置调整、使用咨询 | 1 个工作日 | 按约定排期 | 工单 |
时限的起点要写清:是「客户报障时间」还是「服务商确认时间」。按行业惯例应取前者,否则服务商可以拖延确认来规避时限。同时要约定「升级机制」——P1 故障 1 小时未恢复,客户有权要求升级到技术负责人,这条能显著提升实际响应速度。
六、赔偿条款:写成能算出钱的句子
「视情况补偿」等于没有条款。可执行的写法是把可用率与减免比例挂钩,并约定抵扣方式。
示例条款:当月可用率低于 99.9% 但不低于 99.5% 的,减免当月租金的 10%;低于 99.5% 但不低于 99% 的,减免 30%;低于 99% 的,减免 100%。减免以抵扣下期账单的方式执行,客户需在故障发生后 7 个工作日内提出书面申请,附故障时间与影响说明。
三个细节决定条款是否好用:一是「月租金的基数」写清是含带宽还是仅机器费;二是「申请时限」不能太短,7 个工作日比较合理;三是「多次故障可累计」,避免一个月内断 5 次只赔 1 次。另外要约定赔偿上限(通常不超过年度费用的 20%~30%),这是行业惯例,谈的时候留意。
七、退租与数据迁移:提前想好的 4 件事
退租是最容易被忽视的环节,等到要搬才发现「数据取不出来」「备案被注销」就晚了。
1. 提前 30 天书面通知。合同里通常写明提前通知期,未按约定通知可能按整月计费。同时确认违约金口径(常见为剩余周期的 20%~30%)。
2. 数据导出与校验。自身备份要提前做完整导出,并做「文件数 + 校验和」的比对。留在机器上的数据,退租后按合同可能被清除,别指望事后取回。
3. 备案接入变更。如果机器上挂着已备案域名,搬出前先完成接入变更(管局审核 3~10 个工作日),否则备案可能因「接入信息不实」被注销。这一步的周期比搬机器长得多,要放在最前面做。
4. DNS 切换与回滚窗口。提前 24 小时把 TTL 调到 300 秒,切换后保留原机器 3~7 天做回滚。切换当天不要同时改配置,避免两个变量混在一起排查。
八、5 个常见验收坑
坑 1:只测 ping 就签收。ping 通只说明网络层可达,带宽、IOPS、丢包都没验证。至少补 iperf3 与 fio 两项。
坑 2:不看 RAID 状态。RAID1 里有一块盘已降级,系统照样能跑,但已无冗余。交付时 mdadm --detail 看一次,能避免开局就裸奔。
坑 3:带宽按「共享」交付。标称 100M,实测白天 90M、晚高峰 30M,这就是共享。验收要在晚高峰(20:00~22:00)复测 1 次。
坑 4:没留验收记录。口头确认「没问题」,一个月后出故障,双方都记不清交付时的状态。所有验收项都要有截图或命令输出。
坑 5:忽略 IP 备案额度。站群要多个 IP,但部分 IP 段备案额度已满,交付后无法备案。下单前问清「这个 IP 段还能备案几个域名」。
九、常见问题
Q:验收不合格怎么办?分两类:配置与合同不符(型号错、容量少),要求更换或按差价减免;性能不达标(带宽不足、IOPS 偏低),要求排查或换机。两类都要在验收单上写明,未签字前不付尾款。
Q:SLA 赔偿能覆盖业务损失吗?通常不能。SLA 赔偿一般只减免服务费,不赔业务损失。要覆盖业务损失需单独投保或签补充协议,谈的时候别把两者混为一谈。
Q:单台机器能做到 99.99% 吗?物理上很难。一次硬件故障从发现到换件恢复,通常 1~4 小时。要做到 99.99% 需要双机热备 + 负载均衡,把单点故障的影响降到分钟级。
Q:验收时应该测多久?基础项 1 小时内能完成;建议加 1 次 24 小时稳定性观察(看温度、掉盘、网络抖动),尤其 GPU 与高负载业务。24 小时观察期内出的问题,仍算交付未完成。
十、下一步
验收通过、SLA 落地,租用这条线就走完了。往前一步是选型(决定买什么),再往前是成本测算(决定值不值),三篇连起来是一套完整的采购流程:选型指南 → 成本测算 → 验收与 SLA。