硬件研发集群云化升级项目产品系统

芯片/硬件研发是典型的“重算力、重协同”场景：几十名研发、上百个工程并行跑仿真与综合，底层高度依赖一整套集群基础服务——

NIS（网络信息服务，统一账号与主机名解析）
NFS/LIC（共享存储与工具 license 授权）
LSF（作业调度，队列如 normal / sim / bk）
这些服务只要有一个停摆，整条研发链路就断。

公司现存环境过度依赖A这一台物理服务器：NIS、NFS、LIC、APP 四大关键服务全部由它承担，同时它还对外提供 VNC 登录。随着研发人员和工程数量持续增长，这套“四合一”架构暴露出几个硬伤：

硬件过保： A保修已逾期，单点宕机即全局不可用。
无高可用：NIS / APP / LIC 同机单 master，任一服务故障 → 整个集群瘫痪，直接影响开发进度。
VNC 抢占致服务被杀：该机同时跑 VNC，内存过高时系统 OOM 可能误杀 NIS / APP / LIC，同样导致全集群失效。
CentOS 会话数限制：会话超上限必须重启清缓存，会话过多还会排队，拉低研发效率。

将核心服务从“单机裸金属”迁移到“云主机 + 专业存储”，是硬件研发基础设施的主流演进方向——用虚拟化层的冗余与弹性，消除单点故障、平滑扩容，并把 CAPEX（物理服务器采购）转为更可控的 OPEX。本项目即在此背景下立项。

1、关键服务双活 NIS、LIC 采用双活云主机，故障自动切换，可靠性显著提升
2、弹性登录节点 登录节点由 5 台扩展为 7 台，分摊会话压力，降低 dbus 会话总线瓶颈
3、APP 与存储解耦 APP 工具不再落盘于物理机，改由专业存储提供，工具可用性不再受主机故障牵连
4、宿主机故障迁移 云主机所在宿主机性能达阈值时，自动漂移至健康物理服务器，业务无感
5、快照秒级恢复 云主机具备快照机制，数据安全增强，故障时可在极短时间内恢复业务
6、降本增效 减少物理服务器资金投入，集群可扩展性大幅增强

阶段一：准备登录环境
1.1 登录环境 ，包含 .ssh、.cshrc、user.cshrc、.vnc 等初始化文件。
1.2 NIS / LIC 关键服务双活部署。
1.3 APP 工具经存储访问，已完成稳定性测试与验证。
1.4 已提前将测试1、测试2机器 切换至新环境，研发实测一周以上，问题全部闭环。
阶段二：旧环境登录机停服
2.1关停旧机器退出登录服务。

阶段三：计算节点停机迁移（全量操作）
3.1 存储数据挂载：切换计算节点，执行新挂载点访问新存储。
3.2 NIS 环境迁移：将旧 NIS 并入新 NIS 环境。
3.3 LSF 服务配置：安装配置新 LSF，含 normal / sim / bk 等队列。
3.4 堡垒机切换：原堡垒机（测试机 2.62）切换为新环境服务器 2.62 并完成配置。
3.5 下架四合一机器：192.168.0.60~192.168.0.67（2 台 Dell 四合一）退役。

回退预案（四步）
若云化方案无法满足使用或出现无法解决的技术问题，可回退至旧环境：
存储数据挂载回退：home 数据挂回原位置。
NIS 环境回退：NIS 配置恢复至旧环境设置。
LSF 服务回退：卸载新环境 LSF，重装并配置旧环境 LSF。
堡垒机保持不变：堡垒机仅为跳板，无需回退。
##注意事项
home 下的个人数据不会自动拷贝至新环境。
旧环境的个人工程 / 作业数据，需在新环境手动迁移或重新创建。