光互连的远端消息与故障闭环

大规模光互连的可用性取决于能否把一次抖动定位到具体端点、介质段和时间。平均 BER、模块温度和“端口 up”只覆盖其中一部分状态；FEC 尾部、host/media 两侧差异、远端事件与恢复过程共同决定训练任务是否要等待重试或重放。透明远端消息规范 S054、增强遥测软件规范 S055，以及短距光接口报告 S058，可以拼出从 DSP 之间的消息通道到平台故障闭环的完整路径。S054 pp.11–15 S055 pp.11–15 S058 pp.60–65

在业务通道中建立独立的管理容量#

S054 的透明消息机制利用 DSP line-side 比 host-side 略快的时钟，为管理信息留出额外位槽。主机侧继续按标称速率收发业务，线路侧每传输 N 个 256 位业务块，就插入一个 256 位管理块，远端 DSP 识别并移除管理块后再向主机发送业务数据。它适用于具备对应收发处理能力的光或电 PMD，两端要匹配这套机制。S054 pp.11–14

原图需要对照两侧时钟看：左侧从 host 接收，MSG Tx 向较快的 line-side 注入管理块；右侧 MSG Rx 取出管理块，再回到标称 host 时钟。管理数据的容量由额外线速创造，业务流无需暂停来让出槽位。

原图：S054，物理第 12 页，Figure 3，Conceptual Block Diagram of a Transparent In-band Messaging Link。S054 pp.11–13

默认 N=30,000，相应的额外速率为 Δppm=10⁶/N≈33.33ppm。每个管理槽 256 位中有 240 位用于 message payload，余下 16 位为厂商定义；一条完整消息由 5×240=1200 位组成。规范描述的消息带宽约为 3Mbit/s，实际还需要分配 IDLE、PREAMBLE、同步和校准时隙。S054 pp.13–14 这个容量适合承载状态、远端命令与时间信息，调度较大批量的固件传输时则需要保留业务管理的响应预算。

锁定、组装与可靠重传分别承担责任#

通道的五种报文为 IDLE、PREAMBLE、MESSAGE PAYLOAD、ePPS TIME SYNC 和 ROUND TRIP CALIBRATION。空闲时 IDLE 按固定位置发送，接收器先寻找并锁定管理块位置，再把本端锁定状态告知远端；两端锁定后，发送端才将固件放入缓冲区的完整消息分块发送。默认相邻 payload 之间插一个 IDLE，可由寄存器配置。S054 pp.14–22

硬件完成识别与 1200 位消息重组，消息 CRC、packet numbering、ACK/NACK 和重传由固件完成。若 RX_MSG_READY 已出现但本端 IDLE lock 丢失，固件丢弃该消息并发送 NACK。S054 p.28 对平台软件，管理消息要有超时、完成状态和重试记录；“线路可传业务”“管理块已锁定”“远端命令执行完成”是可分别观察的阶段。故障时这些阶段的先后变化，有助于区分 DSP、消息协议和远端 MCU 问题。

时间同步使多端事件可关联#

ePPS 传送的关键是同步边缘相对于管理槽的时间关系。发送端测量同步周期，再用倒计数表示到下一周期边缘的剩余时间；在下一个可用管理槽里发出这个值，接收端载入自己的计数器，到零时输出同步脉冲。光传播会平移边缘到达时间，重建的周期保持与源同步周期一致。S054 pp.23–27

启动时，两端用带 calibration ID 的往返报文测量路径时延。源端记录发送与返回时刻 T0、T3，目标端记录接收与回发时刻 T1、T2，固件计算

先扣除目标端等待回发的时间，再取往返的一半，得到光通路单向时延估计。S054 p.27 工程应用还需检查两个方向的传播对称性、计数器频率和 DSP 固定延迟；这些误差会进入时间戳对齐。S055 进一步提供 module time 的读写和远端传播，使模块事件可以纳入同一条时间线。S055 pp.15,21–26

用双端双侧观测拆开故障范围#

S055 要求模块 MCU 处理本地 I2C 查询和远端 in-band 查询。本地主机始终访问本地模块，由本地模块代理远端数据获取；breakout 场景可能有多个 link partner，需要显式选择 target、port 和 side。相应 SDK 目标是持续收集链路状态，在遥测服务器构建 fabric 时间线。S055 pp.11–15,31–35,96

遥测以 1–10 秒可编程周期更新，包含每 lane 的 host-side 与 optical-side SNR、eye height、PAM4 level transition、光侧 MPI、pre-FEC BER、FEC bin histogram、不可纠错码字、relink 次数、LOS/LOL、uptime、模块和 laser 温度以及 DDMI 标志。S055 pp.13–15 将这些量按端点与侧分别保存，才能看见路径结构：某端 host 侧 eye 变差而光功率稳定，提示电接口方向；光侧 MPI 与 Rx power 异常则引向反射、连接或媒体路径；两端共享的 laser、温度或时钟异常又可能形成共因故障。

S058 将可靠性分成链路错误与永久硬件失败。链路错误经过 FEC 后仍可能触发 CRC 失败与重传，等待重试往返会降低有效带宽；硬件失败则要求维修或备用组件接管。同步计算会把局部延迟放大成整个 Pod 等待，因此 FEC 尾部和重试带宽损失常比平均 BER 更接近应用影响。S058 pp.60–64

最弱项评分保留异常信号#

S055 的 Link Health Score 先按类别给出 80、60、40 分，再取所有类别的最小值。这样某一严重异常不会被其他正常项目平均稀释。host 与 media 两侧使用不同类别：media 额外包含 MPI、光功率和 laser bias 标志；link-down 与 FEC histogram 计数器默认从评分中排除，可通过 mask 配置纳入。S055 pp.20,38–40

默认评分表中，pre-FEC BER<10⁻⁸ 为 80 分、10⁻⁸ 至 10⁻⁵ 为 60 分、>10⁻⁵ 为 40 分；SNR>18dB 为 80 分、14.5–18dB 为 60 分、<14.5dB 为 40 分。S055 pp.38–40 评分用于快速定位最低类别，原始指标、有效阈值、mask 和统计时间窗仍应随评分保存。某条链路历史上出现一次 down，累计计数如何重置会显著影响后续解释。

阈值管理命令 0x8004 可设置与读取 FEC bin、BER、SNR、eye height 的两级阈值，配置范围为模块；port 字段用于选中对应模块实例，配置影响该模块。S055 pp.46–48 源规范的高层日志描述与 Event ID 表对部分事件默认阈值给出不同值，因此部署侧应读回当前生效配置，并把版本、阈值和事件规则纳入采集元数据。S055 pp.15,54–55

持久日志让故障证据跟随模块#

诊断数据的对象关系还需跟随 breakout 和换槽更新。一个模块可以对应多个远端 port，同一个物理槽位又会先后插入不同序列号的模块；平台应同时保存设备身份、slot、lane、逻辑端口和远端映射。取回历史事件时按事件发生时的映射解释，才能避免把上一任模块的故障归到新设备，或把同一模块移槽后的连续退化分裂成两起无关事件。S055 的远端 port 选择与持久日志为这种身份关联提供了原始接口。S055 pp.11–15,54,69–70

一个具体诊断序列可以把这些量连起来。假设训练 step 的尾延迟开始增加，本地 optical-side BER 上升，host-side SNR 稳定，同时远端接收功率和 MPI 出现退化。采集器先关联两端时间，确认不是计数器清零或模块重启，再读取 FEC histogram、不可纠错码字与 link-down 历史。若证据集中在媒体段，可按 ODF 断点检查清洁、连接、纤路和交换路径；若只有一端 host 侧眼高异常，则优先检查本地电接口、供电、温度与 retimer。这里的顺序是依据双侧遥测和故障断点构造的工程诊断流程，所用指标和可访问对象来自规范。S055 pp.13–15,31–40,54–70 S056 pp.81,188

统计窗口会影响诊断结果。累计 FEC bin、瞬时 SNR、模块 uptime 和持久事件拥有不同时间语义，采集端应同时保留设备时间、主机采集时间、计数器重置时间以及链路配置版本。由累计计数估算每秒错误率时，遇到回绕、远端不可达或重新训练，应结束旧窗口并建立新窗口。读取频率也要与模块 1–10 秒的内部更新周期配合，避免把重复采样误解释为多份独立测量。S055 pp.13–15,40–45,54

健康评分到平台动作之间可以再放一层状态机：正常状态持续采集；首次退化触发高频观测和原始日志拉取；持续退化后由调度器迁移流量；确认备用资源后隔离链路；恢复时先做端点和媒体检查，再逐步加回业务。阈值迟滞、最短驻留时间和批量隔离上限需要结合业务设置，以减少多个端口同时动作造成的负载转移。这样可以利用 0x8005 的模块级关断能力，也为 OCS 或 EPS 提供完成迁移的时间；平台保留从证据到动作的因果记录。

模块将重要事件写入非易失 circular buffer，重新上电或移到另一台 host 后保留历史。每条事件 32 字节，包含 16 位序号 UID、UTC 纳秒时间、Event ID、四个 detail 字段和保留位；序号回绕及掉电时基需要由解析程序处理。默认 10 秒事件迟滞用于抑制重复事件淹没缓冲区。S055 pp.14–15,54–65

远端 CMIS 字节访问 0x8020 经 LPL 最多操作 114 字节，整页访问 0x8021 经 EPL 最多 128 字节。远端固件管理则按查询、开始、传输、完成、运行、验证后提交组织，主机读取 busy、failed 和 command result 判断完成状态。commit 把已验证运行的镜像设为后续 reset 的默认镜像。S055 pp.69–95 这些接口使故障调查和维护可以跨越单端 host 故障，但操作编排仍需要管理系统承担权限、批次和回退策略。

自动 shutdown 是另一类动作。S055 默认关闭该功能，复位后也保持关闭；启用后，不健康链路触发模块 fault，报告 cause 0x26 并记录 event 0x0C。S055 pp.50–51 平台启用时应先确认备用路由、受影响作业和隔离顺序，使诊断结果、网络迁移与硬件动作形成同一闭环。

光引擎移入 NPO/CPO 后，管理入口也随集成边界迁移。开放光子架构提出把 CMIS 的器件状态经平台管理和 RAS API 汇聚，用 CPER 事件连接设计期 COM 裕量与运行期 BER、FEC 和故障记录。S056 pp.75–79,188 其工程价值在于把故障收敛到 OE、FAU、连接器、ODF、ELS 或电通道，再让OCS 控制面选择隔离和重构。可观测性由此成为光网络的运行基础，也反向提供下一代封装与光子平台设计所需的真实裕量分布。