算力机器散热不足导致降频，解决办法

算力机器散热不足导致降频，通常表现为CPU或GPU频率低于标称值、任务运行变慢、风扇声音异常增大。
解决思路是先用工具确认温度与降频证据，再检查风扇、散热片和机箱风道，最后调整散热策略或更换散热器。
本文从零基础出发，给出可照做的排查与修复步骤。

先确认是不是真的因为温度降频

不要一看到任务变慢就认定散热问题，先拿数据说话。

在Linux服务器上，安装lm-sensors查看CPU温度：

sudo apt install lm-sensors   # Debian/Ubuntu
sudo yum install lm_sensors   # CentOS/RHEL
sudo sensors-detect           # 一路回车确认
sensors                       # 查看温度

输出中会显示Core 0: +85°C (high = +80°C, crit = +100°C)这类信息。
如果温度接近或超过high值，基本可以确定是散热不足。

对于NVIDIA GPU，用nvidia-smi查看温度和降频原因：

nvidia-smi -q -d TEMPERATURE,CLOCK,PERFORMANCE

关注GPU Current Temp是否超过80°C，以及Clocks Throttle Reasons中Thermal是否显示Active。
如果Thermal为Active，说明GPU因温度过高主动降频。

Windows系统可以用HWiNFO或GPU-Z，在传感器页面查看CPU Package温度和Thermal Throttling标记。

判断条件：CPU温度持续高于85°C或GPU温度高于83°C，同时频率低于官方标称值，即可认定为散热不足导致降频。

检查风扇、散热片和风道

确认温度异常后，按下面顺序检查物理散热环节。

1. 观察风扇转速。Linux下执行sensors看fan1转速，如果低于1000 RPM或显示0，可能风扇停转或接错接口。
2. 检查散热片积灰。断电后打开机箱，用手电筒看CPU散热片鳍片之间是否被灰尘堵死。用压缩空气罐或软毛刷清理，注意固定风扇叶片再吹。
3. 检查硅脂状态。如果散热器已经使用超过两年，或拆装过散热器，建议重新涂抹导热硅脂。用量为米粒大小，均匀压平即可，不要涂太厚。
4. 确认机箱风道方向。前进后出、下进上出是常见正确方向。如果机箱风扇装反，热空气会在内部循环。

服务器环境特别注意：1U/2U机箱散热空间小，风扇必须使用高转速暴力扇，且不能随意更换为静音风扇，否则风压不足会直接导致降频。

调整系统散热策略与降频阈值

有些机器硬件正常，但系统电源策略或温度墙设置过严，也会提前降频。

Linux下查看当前CPU调频策略：

cat /sys/devices/system/cpu/cpu0/cpufreq/scaling_governor

如果输出powersave，可以改为performance：

sudo cpupower frequency-set -g performance

对于NVIDIA GPU，可以手动设置温度墙和功率墙（需要root）：

sudo nvidia-smi -pl 250          # 将功率上限设为250W，根据显卡型号调整
sudo nvidia-smi -gpu-reset       # 谨慎使用，部分环境不支持

如果温度仍然过高，可以尝试降低GPU功率上限，牺牲少量性能换取稳定不降频。

在Windows中，进入控制面板 > 电源选项 > 更改高级电源设置，将处理器电源管理中的最大处理器状态设为99%或100%，并确保系统散热方式为主动。

注意：修改功率墙和温度墙前，先确认电源功率足够，否则可能触发过流保护关机。

避坑指南：这些做法会让降频更严重

• 不要用软件强行关闭温度保护。降频是硬件自我保护机制，屏蔽后可能烧毁芯片。
• 不要只加机箱风扇但不管风道。乱加风扇可能扰乱气流，导致局部热点更严重。
• 笔记本或迷你主机不要垫在软床上用。进风口被堵住，温度会快速上升。
• 服务器不要擅自拆除导风罩。导风罩是让气流精准穿过CPU和内存的，拆掉后散热效率反而下降。

验证散热改造是否生效

完成清理或改造后，重新运行之前会降频的任务，同时监控温度。

Linux下持续观察：

watch -n 1 'sensors | grep Core; nvidia-smi --query-gpu=temperature.gpu,clocks.current.gpu --format=csv'

如果CPU温度稳定在75°C以下，GPU温度低于80°C，且频率保持在标称值附近，说明散热问题已解决。

对于Windows，用HWiNFO记录10分钟高负载下的温度曲线，确认没有Thermal Throttling出现。

最终判断标准：满载运行30分钟后，CPU不降频、GPU不触发温度墙，任务完成时间比之前明显缩短。

常见疑问

问：清理灰尘后温度只降了3°C，还需要做什么？

答：检查硅脂是否干裂。
如果散热器底座和CPU表面接触不良，清理灰尘效果有限。
重新涂抹硅脂通常能再降5-10°C。

问：服务器在机房，环境温度已经很低，为什么还降频？

答：机房环境温度低不代表机器内部风道正常。
重点检查服务器进风口是否被线缆遮挡，以及风扇是否因长期运行老化转速下降。

问：降频后任务报错退出，是硬件坏了吗？

答：不一定。
先看系统日志dmesg | grep -i thermal，如果出现CPU0: Core temperature above threshold，说明是过热保护触发。
解决散热后任务通常能恢复正常。