问题背景

我们的机房与培训教室共用一套无盘系统（Citrix Provisioning Services，下称 PVS），由两台 PVS 服务器组成一个 Farm，通过网络流式推送同一份系统镜像给两百多台终端，终端本地不装硬盘系统，开机走 PXE 从服务器拉起。这套系统跑了好几年，一直停留在旧的 LTSR 版本上，厂商支持周期临近结束，安全部门要求年内升级到新 LTSR。

按官方文档的说法，同一个 Farm 内可以做滚动升级（rolling upgrade）：先升级其中一台服务器，另一台继续对外提供服务，业务不中断，升完第一台再升第二台。我们照着这个思路排了变更：周三晚上八点升级 PVS01，PVS02 保持旧版本兜底，第二天观察一天没问题，周四晚上再升 PVS02。

变更当晚 PVS01 升级过程本身很顺利，Farm 数据库自动升级完成，控制台能正常打开，vDisk 列表和终端列表都在，抽测三台终端开机也正常。我们判断变更成功，收工。真正的问题在第二天早上八点集中爆发。

故障现象

早上八点前后，教室和办公区陆续有人报"电脑开不了机"。到现场看，屏幕停在 PVS 的启动界面上，最后一行是 Contacting Login Server...，卡住十几秒后跳出 Login Server not available 或直接黑屏重启，循环往复。

关键特征有三个，也正是它们把我们一度带偏：

第一，不是全挂，大约一半终端受影响。同一个教室里，前排三台能正常进系统，后排两台起不来；重启若干次之后，原本起不来的偶尔又能起来一次。这种"随机性"让第一反应是网络抖动或 DHCP 问题。

第二，已经开着的机器完全不受影响。前一晚没关机的几台终端整夜运行、业务正常，说明服务器端的流式推送（streaming）通道本身是通的，问题只发生在开机启动阶段。

第三，故障范围与地理位置无关。不同楼层、不同接入交换机下都有成功和失败的机器混杂，排除了单台交换机或单个 VLAN 的问题。

因为是早高峰，影响面直接扩散到两个教室的上课，压力很大。

排查过程

无盘终端的启动链路比普通 PC 长得多，必须按顺序逐段验证，不能凭感觉跳。我们先在白板上把链路画出来：

1
2
3
4

终端上电 → 网卡 PXE → DHCP 拿 IP + Option 66/67
        → 从 Option 66 指定的 TFTP 服务器下载 bootstrap 文件
        → bootstrap 里写死了 PVS 服务器列表，向其中一台的 Stream Service 登录
        → 服务器分配 vDisk → 开始流式读盘 → 进系统

第一段，DHCP。 在故障终端所在网段抓包，看到 DHCPOFFER 正常返回，IP、掩码、网关都对，Option 66 指向 10.20.1.30，Option 67 是 ARDBP32.BIN。DHCP 没问题。这里要注意一个细节：Option 66 指向的 10.20.1.30 既不是 PVS01 也不是 PVS02，而是当年为了统一 PXE 管理，单独搭的一台第三方 TFTP 服务器。这个细节后面成了关键。

第二段，TFTP。 抓包看到 bootstrap 文件下载成功，TFTP 传输完整，没有超时和重传。到这里一切正常。

第三段，登录 Stream Service。 抓包看到终端向 UDP 6910 端口发出登录请求，服务器有响应，但立刻返回了一个错误包，随后终端超时。这一步是断点。

进一步比对成功和失败的机器，规律终于浮出来：抓包里失败的终端，请求打到的是 10.20.1.11（PVS01，已升级）；成功的终端，请求打到的是 10.20.1.12（PVS02，未升级）。所谓"随机一半"，正是 bootstrap 里配置了两台服务器做冗余，终端按算法随机挑一台登录的结果。

方向锁定 PVS01。登上去翻 Stream Service 日志，找到明确记录：

1

Login request rejected: unsupported client protocol version

到这一步，根因基本清楚了：终端拿到的 bootstrap 是旧版本的，跟升级后的 PVS01 协议版本不匹配，被拒绝。

那为什么是旧版本？我们到 PVS01 本地看 C:\ProgramData\Citrix\Provisioning Services\Tftpboot\ARDBP32.BIN，文件时间戳是昨晚，确实被升级程序更新过。再登到那台独立 TFTP 服务器 10.20.1.30 上看同名文件——时间戳是三年前。

真相大白：升级程序只更新了 PVS 服务器本地那份 bootstrap，而终端实际从独立 TFTP 服务器取文件，那份是当年手工拷过去的，从此再没人动过。升级把服务器端协议版本抬高了，客户端 bootstrap 却停在原地。

顺手还验证了另一个更麻烦的问题：我们把新 bootstrap 手工拷到 TFTP 服务器上试了一台机器，结果这台机器反过来在登录 PVS02 时失败了——新 bootstrap 同样不被旧版服务器接受。也就是说，只要 Farm 处于"一台新、一台旧"的混合版本状态，无论用新旧哪份 bootstrap，都必然有一半终端起不来。所谓跨大版本的滚动升级窗口期，实际上是不可用的。

解决方案

早高峰优先止血，不追求一步到位：

1. 把流量全部压到未升级的 PVS02。在 TFTP 服务器上保留旧 bootstrap，同时在 PVS01 上停掉 Stream Service，让所有终端只能登录 PVS02。执行后五分钟内，故障终端重启即可正常进系统，上课恢复。此时集群失去冗余，但功能完整。
2. 当晚补完另一半升级。把 PVS02 也升到同版本，Farm 脱离混合状态。
3. 用控制台重新生成并分发 bootstrap。在 Console 里执行 Configure Bootstrap，重新写入两台服务器 IP 生成新文件，然后手工同步到 10.20.1.30 的 TFTP 目录，并把这一步固化进升级检查单。
4. 灰度升级终端侧软件。vDisk 里的 Target Device Software 版本也需要跟服务器匹配。我们用 vDisk 的 versioning 功能建了一个 maintenance 版本，只在里面升级 Target Device Software，先放一台终端验证，通过后再 promote 为 Production，保留上一版本随时可回退。

全部完成后，两台服务器恢复冗余，随机挑哪台登录都能正常启动。

根因分析

表面根因是 bootstrap 文件版本不同步，深层根因有两条：

一是启动链路的所有权被切割了。 PVS 的开机链路横跨 DHCP、TFTP、Stream Service 三个组件，升级程序只对自己管辖的文件负责，管不到企业自建的第三方 TFTP 服务器。那份三年前手工拷贝的 bootstrap 属于"没有主人的配置"，既不在升级流程里，也不在任何一份文档中。

二是把"支持滚动升级"理解错了。 官方所说的滚动升级，适用范围是同一大版本内的累积更新；跨 LTSR 大版本时，客户端协议版本本身发生了变化，混合版本 Farm 在升级窗口期内是不受支持的状态。我们套用了一个前提不成立的方案，并把"抽测三台正常"当成了验证通过——而那三台恰好都随机登录到了未升级的 PVS02 上。

预防措施

• 变更前画完整链路图，逐点列出版本与存放位置：DHCP Option 66/67 指向哪里、bootstrap 实际由谁提供、文件版本、服务器列表、Target Device Software 版本、vDisk 格式版本。任何一处"不知道谁在维护"的配置都必须先认领。
• 跨大版本升级不做原地滚动，改并行 Farm 灰度：新建一套新版本 Farm，用 DHCP 作用域分批把终端切过去，出问题改回 Option 66 即可整体回退，比原地升级安全得多。
• 验证样本必须覆盖全部分支：有负载均衡或多服务器的场景，抽测时要强制指定每一台服务器各测一遍，不能依赖随机分配。这次的教训就是抽测三台全落在旧服务器上。
• 每次变更预置五分钟回退方案：本次的回退动作是"停掉新服务器的 Stream Service"，一条命令、影响可控。变更单上没写回退步骤的，不允许开始执行。
• 补监控：对 TFTP 请求数、Stream Service 登录失败计数做采集，开机失败率突增时告警，避免只能靠用户报障发现。

总结

这次故障的技术点并不深，一个文件版本不匹配而已，但它踩中了变更管理里最典型的两个坑：一是链路上存在无人认领的配置，升级工具覆盖不到，文档里也查不到；二是把厂商在特定前提下的能力（滚动升级）当成了普适保证，跨版本时前提早已不成立。

排查过程本身反倒是最有价值的部分——面对"一半好一半坏"的随机现象，不去猜网络抖动，而是把启动链路拆成 DHCP、TFTP、登录三段逐段抓包验证，很快就能把断点收敛到某一跳上；再对比成功与失败样本的差异（打到哪台服务器），根因几乎是自己浮出来的。对于这类跨多个组件的长链路系统，画图、分段、比对永远比经验直觉更可靠。