读 NVSentinel 源码：南向互联故障，该停多

一条 NVLink 报错，自动系统直接把整台机器重启了。看着是动作利落，其实停机范围被硬生生放大了一圈。

源码里有个很细的规矩：局部清场的证明不能乱用。只清理了 GPU-A，这证明就只管 GPU-A。想动 GPU-B，或者升级成整机重启，必须重新清场。缺了设备映射、跳过清场，都不能算数。

故障处理得分层来。有备用路径先绕路；没备用路径但带宽降了，就保留资源继续观察。要是单卡彻底坏了，才去识别相关 Pod 做局部复位。千万别一上来就把节点隔离、机器重启。

最扎心的是修好后的放行。硬件复位成功，绝不等于业务能接流量。节点回池得先过设备和通信验证，业务还得再单独验一遍模型和 KV 状态。链路恢复、设备回池和模型续跑，得各自留下证据。