Apagado térmico en módulos 800G: claves DDM y flujo de aire

Un enlace 800G que cae a las 14 h y vuelve de noche normalmente no es un módulo malo. Es un módulo haciendo exactamente lo que su diseño térmico le dice que haga.

Solución de problemas · Publicado 2026-10-27 · 8 min de lectura

Dos semanas después de un despliegue de hoja 800G, aparece el patrón: los enlaces suben limpios en la puesta en marcha, luego un puñado de puertos empiezan a registrar advertencias de temperatura y a soltar tramas durante el pico de la tarde. Al anochecer todo vuelve a la normalidad, y los módulos de cada proveedor funcionan bien cuando se extraen y se prueban en banco. El sitio entonces pasa un mes haciendo RMA de módulos buenos.

Ese bucle existe porque 800G cambió dónde vive el margen. A 400G, un módulo consumía 7-10 W y casi cualquier jaula conforme lo mantenía fresco. A 15-20 W, el calor eliminado de la jaula depende del flujo de aire por ranura, el volumen de cable, el escape del ASIC adyacente y el ciclo de refrigeración diario de la sala —variables que una hoja de datos del módulo no contiene. El diagnóstico por tanto empieza con la telemetría propia del módulo, no con un reemplazo.

Lo que muestra primero la telemetría

Los módulos basados en CMIS reportan temperatura, banderas y telemetría a nivel de línea continuamente. El orden en que se mueven los campos te cuenta la mayor parte de la historia.

El caso de módulos múltiples simultáneos es el que ahorra más tiempo. Cuando ocho módulos en una fila de jaula marcan temperatura dentro del mismo minuto, los módulos son espectadores. Trátalo como un evento de refrigeración y correlaciónalo con registros de velocidad de ventilador e historial de temperatura de sala.

La corriente de bias es el indicador líder, no el veredicto

En la mayoría de los tipos de láser, la corriente de bias sube con la temperatura de unión. Así que lo primero que el estrés térmico hace en tu telemetría no es «enlace abajo», es una deriva lenta al alza en el bias TX de los puertos más calientes, visible semanas antes de cualquier alarma. Esa deriva es por lo que una línea base DDM tomada en la puesta en marcha vale más que cualquier lectura aislada: un bias de 48 mA no significa nada por sí solo, pero 48 mA cuando el puerto se puso en marcha a 41 mA a la misma temperatura de caja es un hallazgo.

La regla de interpretación que evita la mayoría de falsas alarmas: juzga el bias contra la temperatura, no contra un número fijo. Traza bias vs. temp. de caja por puerto; un módulo sano traza una curva consistente, y uno que se degrada se aparta lentamente de su propia curva. La lista de verificación general de no enlace cubre dónde encaja el bias en el orden diagnóstico más amplio.

Por qué las filas 800G golpean el límite primero

La aritmética es implacable y vale la pena hacer una vez, explícitamente.

Ese calor está en el panel frontal, en la dirección de escape, detrás de los manojos de cable más gruesos del rack. Tres condiciones de campo convierten un diseño conforme en uno marginal:

• Volumen de cable. Un OSFP con troncal MPO es físicamente más ancho que la jaula; una docena de ellos actúa como aleta de radiador que bloquea la ruta de flujo de aire prevista. Los cables que salen hacia arriba, sobre la jaula, son un contribuyente silencioso común.
• Recirculación. La falta de paneles ciegos y las jaulas medio pobladas dejan que el escape caliente regrese al lado de entrada. La temperatura de la sala se ve bien; el aire que llega a la jaula no.
• Ciclo diario. Una temperatura de entrada que deriva 5-8 °C entre la noche y la tarde consume por sí sola la mayor parte del margen de una pieza Clase 8.

La brecha de puesta en marcha

Los módulos suelen ponerse en marcha por la mañana, en un chasis parcialmente poblado, en el extremo frío del ciclo diario. Los picos de producción ocurren por la tarde, en un chasis completamente poblado, en el extremo cálido. Un problema térmico que vive enteramente dentro de esa brecha pasará todas las pruebas de aceptación y aún así fallará en producción. Si el cronograma de despliegue lo permite, repite el barrido de telemetría en el pico térmico del día antes de la aceptación: es la hora más barata de trabajo preventivo disponible.

Una secuencia que aísla la causa

El orden de abajo está construido para que cada paso o arregle algo o elimine una hipótesis. Saltarse pasos es cómo los sitios terminan haciendo RMA de módulos sanos.

1. Congela los hechos. Exporta temperatura por puerto, bias, potencia TX/RX y banderas para los puertos afectados en el pico y en el valle. Sin la imagen de dos puntos, todo lo posterior es adivinar.
2. Separa chasis de módulo. Si las banderas se agrupan en una fila de jaula o un chasis, trabaja la ruta de flujo de aire: velocidades de bandeja de ventilador, paneles ciegos, enrutamiento de cable, temperatura de entrada en esa fila. Si las banderas están dispersas entre chasis, sospecha del SKU del módulo o de la sala.
3. Audita la configuración. Confirma la clase de potencia del módulo contra el límite por puerto del conmutador a tu temperatura de entrada, no el ambiente del datasheet. Una pieza Clase 8 en una jaula cualificada para Clase 7 a 45 °C de entrada es una configuración no soportada, y el conmutador puede aplicarlo en silencio limitando.
4. Intercambia dentro del tipo. Mueve un módulo afectado a un puerto conocido-frío en otro chasis y un módulo sano al slot caliente. Si el problema sigue al slot, es térmico. Si sigue al módulo, solo entonces es una pieza.
5. Revisa asentamiento y conectorización. Un módulo que corre caliente también puede simplemente estar asentado con insuficiente acoplamiento, lo que eleva tanto la resistencia de contacto térmico como las reflexiones eléctricas. Reasienta, vuelve a trabar, y confirma que el pestillo de la jaula haga clic en ambos lados.
6. Registra la corrección, no solo el resultado. Lo que sea que funcionó —cables reenrutados, paneles ciegos añadidos, clase de potencia reducida— registra la telemetría antes/después. La próxima fila tendrá la misma física.

Cuando no es térmico en absoluto

Dos impostores vale la pena excluir explícitamente. Una bandeja de ventilador fallando eleva todos los módulos de un chasis juntos —esa la captura el paso 2. La más astuta es la integridad de señal haciéndose pasar por calor: un canal eléctrico marginal muestra errores que correlacionan con el tráfico, y el tráfico correlaciona con la temperatura, así que los dos parecen casados. El separador es el bias TX: un problema de ruta eléctrica no eleva el bias, mientras que un láser genuinamente caliente sí. Si la temp. está alta pero el bias está plano y los errores correlacionan con ráfagas de utilización, pasa tu tiempo en la matemática del presupuesto de enlace en lugar del flujo de aire.

Correcciones que sobreviven la próxima revisión

Ordenadas por lo duraderas que son en la práctica:

• Corrección física de flujo de aire (enrutamiento de cable, paneles ciegos, reasentamiento). Gratis, permanente, y arregla la causa real en la mayoría de los casos de campo.
• Distribuir puertos de alta potencia. Si solo algunos puertos necesitan piezas Clase 8, distribúyelos para que ninguna sección de jaula lleve toda la densidad de calor. No cuesta nada salvo planificación.
• Reducir la elección del módulo. Una pieza Clase 7 (15 W) en lugar de una Clase 8 (20 W) restaura margen, al precio de alcance o opciones de medio. Compara candidatos en la guía de selección 800G antes de asumir el reemplazo directo.
• Subir la refrigeración de sala o bajar el setpoint. Funciona, pero es la corrección costosa para un problema de panel frontal, y usualmente indica que la decisión de jaula se tomó para el ambiente equivocado.
• Cambiar el tipo de jaula. Mover una fila caliente de QSFP-DD a OSFP compra área de disipador. Es la respuesta correcta para densidades a escala de IA y la respuesta equivocada para un chasis ya comprado, por lo que pertenece al próximo ciclo de adquisición, no a este incidente.

Lo que no funciona: ajustes de firmware que bajan los umbrales de alarma. Silenciar la advertencia no añade ni un vatio de eliminación de calor, y lo siguiente que se silencia suele ser el enlace.

Fuentes

• QSFP-DD MSA - CMIS specification - la Common Management Interface Specification detrás de las banderas de temperatura, clases de potencia y telemetría de línea citadas a lo largo del artículo.
• OSFP MSA - definiciones de envolvente mecánica y térmica para jaulas OSFP y opciones de disipador.
• Ethernet Alliance - demostraciones de interoperabilidad multi-fabricante y hot-plug, contexto útil para prácticas de cualificación de jaula y módulo.

Los umbrales de temperatura, límites de bias y clases de potencia son específicos de la pieza y del proveedor. Nada en este artículo sustituye la lista de módulos cualificados y la matriz de reducción térmica del conmutador que realmente operas.

FAQ

¿A qué temperatura de caja se apaga un módulo 800G?

No hay un solo número. La mayoría de los módulos soportan de 0 a 70 u 75 °C de temperatura de caja, y los puntos de alarma y apagado se fijan por pieza a través de la interfaz de gestión. Lee las propias banderas de temperatura del módulo en DDM en lugar de asumir una constante del datasheet: el host normalmente avisa mucho antes de apagar la línea.

¿Por qué el enlace cae solo por la tarde?

La temperatura de entrada del rack sigue el ciclo de refrigeración de la sala, y la potencia de la óptica es aditiva a la potencia del ASIC del conmutador. Un enlace que cae cuando el tráfico y el ambiente están en su pico, y se recupera de noche, es la firma clásica de un problema de margen térmico en lugar de una falla de componente.

¿Es una corriente de bias TX creciente señal de un módulo fallando?

No necesariamente de uno que falla. La corriente de bias sube con la temperatura de unión en la mayoría de los tipos de láser, así que el arrastre del bias bajo carga a menudo indica estrés térmico. Se vuelve criterio de reemplazo cuando el bias sigue subiendo a temperatura estable, o cuando cruza el umbral de alarma del módulo.

¿Puedo arreglar el apagado térmico con firmware?

El firmware puede bajar la potencia del módulo o volver a comprobar la clase de potencia cualificada, lo que compra margen, pero no puede eliminar calor. Si el flujo de aire de la jaula no maneja la clase de potencia del módulo a tu temperatura de entrada real, las correcciones duraderas son físicas: reducir la clase de potencia, distribuir los puertos de alta potencia, o cambiar el tipo de jaula.

¿Tienen los módulos 400G el mismo problema?

Mucho menos a menudo. Un módulo 400G a 7-10 W deja a la mayoría de las jaulas un margen cómodo. El salto a 15-20 W en 800G es lo que convirtió el flujo por ranura de una nota al pie del datasheet en un ítem de cualificación, y por eso el problema se concentra en filas 800G y 1.6T.