Data Center Infra Management — 六個月學習 Roadmap¶

對象：軟體工程師，要在自建自營機房（新建/施工中）建置 infra management 系統時間預算：每天 1 小時（六個月約 180 小時）建立日期：2026-07-28

一、這份 roadmap 的三個前提¶

前提一：你的時間有限，所以這不是閱讀清單。

每天 1 小時，六個月約 180 小時。一門 Uptime 課程就吃掉 16 小時，一本 Cisco Press 認證書要 80 小時。如果照傳統路徑走，你六個月只能讀完兩三本書，而且讀完還是不會建模。 所以這份 roadmap 的每個階段都以產出一份文件收尾，不是以「讀完某本書」收尾。讀材料是手段，交付物才是進度。

前提二：你的角色是建模者，不是設施工程師。

你不需要會選型冰水主機、不需要算短路電流、不需要會調 PID。你需要知道的是每一類設備在你的資料模型裡長什麼樣。這是一個有限的、可窮舉的問題（約 35–45 類設備 × 6 個欄位），而不是一個無底洞。

前提三：你手上有一批比任何教材都好的東西，而且它有保存期限。

機房在施工中，代表 commissioning（系統測試調校）會在接下來幾個月內發生。負載機測試、UPS 切換測試、發電機帶載測試、整廠斷電演練——這些是一次性、不可重現的。建築上線後不會有人為了教你再斷一次電。

這是整份 roadmap 裡唯一有時效性的東西。 其他都可以慢慢來，這個過了就沒了。

二、被我砍掉的東西（以及為什麼）¶

砍掉	原因
Cisco CCNP Data Center	它教你設定 Nexus 交換器與 ACI。除非你要做網路自動化，否則對「建 infra management 系統」貢獻趨近於零，卻要吃掉 80–150 小時
Uptime ATD	需要 PE 執照 + 建議 24 個月設計經歷 + US$4,985。你不是要設計機房，是要管理機房資料
Schneider 完整課程體系 / DCCA	內容不錯但密度太低。你需要的是它的白皮書（查參考用），不是它的課程（線性讀完）
各種證照	六個月 130 小時要同時學新領域又要考證照，兩件事都做不好。證照放到第二年再談
SRE Workbook 全書	只讀 Monitoring 和 Alerting on SLOs 兩章，其餘與你的場景關聯低

砍掉的原則是同一條：這東西能不能讓我把某一類設備的六格填得更好？ 不能就砍。

三、核心教材（三層）¶

第 1 層：你公司內部的東西（最高價值，優先取得）¶

這一層沒有替代品。以下按價值排序：

電力單線圖（Single Line Diagram, SLD） — 從市電進線 → 變壓器 → ATS → 發電機 → 主配電盤 → UPS → PDU → 機櫃的完整拓撲。一張 SLD 抵三本書，因為它就是你資料模型的答案卷
Commissioning 測試計畫與報告 — Level 1–5 測試，特別是 Level 4/5 的整合測試與斷電演練。這裡面寫的是「什麼壞了會怎樣」，也就是你的故障域模型
機械系統圖（冰水管路圖 P&ID） — 冰水主機 → 一次側泵 → 儲冷槽 → 二次側泵 → CRAH 的水路拓撲
點位表（Point List / I/O List） — BMS 與 EPMS 的每一個監控點：設備、點名、型態、協定、位址。這是你遙測 pipeline 的規格書，通常由控制系統承包商產出
設備清冊與規格書（Submittals） — 每台設備的廠牌型號、額定值、通訊介面

第 0 週的唯一任務就是去把 1、2、4 弄到手。 拿不到就找到能給你的人。這件事的槓桿遠大於讀任何材料。

第 2 層：免費公開教材（建立詞彙與框架）¶

教材	用途	時數
Microsoft Learn — Introduction to Datacenter	六個模組、廠商中立，涵蓋 fundamentals、design、power、cooling、network、operations、sustainability。唯一推薦從頭讀完的線性教材	~4.5h
Schneider Electric 白皮書庫	查參考用，不要線性讀。分類涵蓋 power fundamentals、cooling fundamentals、management best practices。遇到不懂的名詞就來這裡找對應那篇	依需求
Google SRE Workbook — Monitoring	監控哲學、四大黃金訊號、如何避免告警疲勞	~3h
Google SRE Workbook — Alerting on SLOs	SLO / error budget / burn rate。注意：設施告警與軟體 SLO 不能直接照搬，見階段 5	~3h
ASHRAE TC 9.9 熱環境指引	環境告警門檻的權威依據	~1h

ASHRAE 關鍵數字（第 5 版，2021）——直接會變成你的告警門檻：

建議範圍（Recommended，所有 class 通用）：18–27°C
允許範圍（Allowable）：Class A1 為 15–32°C（企業級伺服器）、Class A2 為 10–35°C（量產型伺服器）
濕度建議：露點 −9°C 至 15°C，相對濕度上限 60%
允許露點上限：A1 為 17°C DP、A2 為 21°C DP

建議範圍是設計目標，允許範圍是短期容忍邊界。你的告警設計應該是：超出建議範圍 = warning，超出允許範圍 = critical。 這一條就值回 ASHRAE 那一小時。

第 3 層：真實的資料模型（軟體工程師的捷徑）¶

這一層是為你這種背景的人準備的，傳統 roadmap 不會有。

資源	為什麼重要
NetBox — Power Tracking 文件	NetBox 是最成熟的開源 DCIM。它的電力模型是：PowerPanel（配電盤，最上游）→ PowerFeed（獨立迴路，帶 AC/DC、電壓、電流、primary/redundant 型別）→ Rack → Device。這是一個經過大量真實部署驗證的 schema
NetBox — PowerPanel 模型	逐欄位定義
NetBox — PowerFeed 模型	注意它怎麼用 `type: primary / redundant` 表達 A/B 雙路——這一個欄位就解決了冗餘建模
NetBox 原始碼 `netbox/dcim/models/`	直接讀 Django model 定義。對你來說，讀 200 行 model 比讀 20 頁白皮書快

重要提醒：NetBox 的模型止於 PowerPanel——它假設上游（UPS、發電機、變壓器、ATS）不歸你管。但你是自建自營，這一整段你得自己補。所以正確用法是：拿 NetBox 當下半段的答案，上半段用你們的 SLD 自己建。兩者接起來就是你的核心模型。

四、六個月分階段¶

第 0 週（5 小時）｜把管道打開¶

這一週不讀任何東西。

[ ] 找到能給你 SLD、點位表、commissioning 計畫的人，正式提出需求
[ ] 約 facility / 機電負責人一次 60 分鐘的談話（問題清單見第六節）
[ ] 問到 commissioning 的排程表，把 Level 4/5 測試的日期記進行事曆
[ ] 申請一次現場走訪：電力室、UPS 室、冰水主機房、機房主空間

交付物：一份「我拿到了什麼 / 還缺什麼 / 誰能給我」的清單。

階段 1｜第 1–4 週（20 小時）｜全貌與設備總表骨架¶

目標：建立詞彙，不求深度。能聽懂 facility 同事講話。

做什麼	時數
讀完 Microsoft Learn — Introduction to Datacenter 六個模組	5h
讀 NetBox Power Tracking + PowerPanel/PowerFeed 模型文件	3h
建立設備總表骨架：列出你們機房會有的所有設備類別（先只列名稱與分類，六格空著）	8h
現場走訪一次，拿實體對照你列的清單，補漏	4h

交付物：equipment-taxonomy.md — 五大系統分類下的完整設備類別清單（約 35–45 類），每類先有名稱、中英對照、所屬系統、你在現場有沒有親眼看過。

驗收：把這份清單拿給 facility 同事看，他能不能指出你漏了什麼。漏 3 類以內算過關。

階段 2｜第 5–12 週（40 小時）｜電力鏈（最重的一段）¶

目標：能獨立畫出從市電到伺服器電源供應器的完整電力路徑，並用資料結構表達它。

做什麼	時數
用你們的 SLD 逐段追：市電 → 變壓器 → ATS → 發電機 → 主配電盤 → UPS → PDU → 匯流排/RPP → rack PDU → 插座 → 設備雙電源	12h
遇到不懂的設備就去 Schneider 白皮書庫查那一篇	8h
把電力鏈上每一類設備的六格填滿（拓撲/容量單位/冗餘/遙測/故障域/維護）	12h
用 NetBox 的模型當底，設計你自己的 schema：上游段自己建、下游段照抄	8h

這一階段必須搞懂的概念（不懂就去問，不要跳過）：

A/B 雙路（dual feed）如何表達，以及一台單電源設備掛在雙路架構下代表什麼風險
N、N+1、2N、2N+1 在 UPS 與發電機上分別長什麼樣
斷路器的 80% 連續負載規則——為什麼一條 100A 迴路只能用 80A
並機（parallel）UPS 與獨立（isolated）UPS 的差別，這會改變你的故障域模型
靜態切換開關（STS）與自動切換開關（ATS）的差別與各自位置
concurrent maintainability：為什麼「UPS 要保養」這件事會決定整個架構

交付物： 1. power-chain-model.md — 你自己畫的電力鏈拓撲 + 每類設備六格 2. 一份可執行的 schema 草案（ER 圖或 Django/SQLAlchemy model 皆可）

驗收：拿你畫的拓撲圖跟 SLD 對照，請 facility 同事挑錯。再問他一個問題：「如果 UPS-A 要保養轉 bypass，這段期間哪些機櫃處於單點風險？」你的模型要能回答這個問題。

⚡ 浮動優先事項｜Commissioning 期間（不限階段）¶

只要 commissioning 開始，立刻中斷當前階段，全部時間投進去。

要參加/要到的東西：

[ ] 整廠斷電測試（black building test） — 親眼看發電機起動、ATS 切換、UPS 撐過空窗期。這是你這輩子最好的一堂課
[ ] 負載機（load bank）測試報告 — 裡面有真實的容量數字，不是銘牌值
[ ] UPS 切換與 bypass 測試報告
[ ] 冷卻系統故障模擬 — 掉一台 CRAH / 一台冰水主機，看溫度多久爬到警戒
[ ] 各系統的 alarm 清單與觸發門檻 — 這是承包商設定的，你的系統要沿用或改寫，必須知道原始設定值

交付物：commissioning-notes.md — 每個測試的「做了什麼 / 觀察到什麼 / 對我的模型有什麼啟示」。

階段 3｜第 13–17 週（25 小時）｜冷卻鏈與環境¶

做什麼	時數
用機械系統圖追冷卻鏈：冷卻水塔 → 冰水主機 → 一次側泵 → 儲冷槽 → 二次側泵 → CRAH → 冷通道 → 熱通道 → 回風	8h
讀 ASHRAE TC 9.9 熱環境指引，記住四個關鍵數字	2h
冷卻鏈設備六格填滿	8h
若有高密度/AI 機櫃：補液冷（直接液冷 DLC、後門熱交換器 RDHx）的基本拓撲	4h
冷卻的容量與故障模型：為什麼冷卻的故障域比電力慢但更難救	3h

必須搞懂：

CRAC（自帶壓縮機，直膨式）與 CRAH（用冰水，無壓縮機）的差別——你們是自建，大機率是 CRAH
冷熱通道封閉（containment）如何改變你的溫度感測器佈點策略
delta-T 與旁通氣流（bypass airflow）——為什麼「機房很冷」反而可能是設計失敗
冷卻系統的 ride-through 問題：斷電時 UPS 撐得住 IT 負載，但冰水主機起動需要時間，這段空窗期靠什麼

交付物：cooling-chain-model.md + 溫濕度告警門檻設計（引用 ASHRAE 數字）。

階段 4｜第 18–22 週（25 小時）｜容量語意與遙測¶

這一階段是「三者都要」的匯流點。

做什麼	時數
容量語意：銘牌值 vs 降載值 vs 實測值三者的差別與換算	6h
擱置容量（stranded capacity）的四種型態：有電沒空間 / 有空間沒電 / 有電有空間沒冷氣 / 有一切但冗餘不夠	4h
點位表逐行讀 — 這是遙測 pipeline 的規格書	8h
協定基礎：Modbus（電力/機電，暫存器位址）、BACnet（樓宇/空調，物件模型）、SNMP（IT 設備與 UPS 網卡）、Redfish（伺服器帶外管理）	7h

必須搞懂：

BMS 與 EPMS 通常是兩套獨立系統，資料格式不通、時間戳不同步。你的 pipeline 第一個難題就是這個
為什麼設施遙測的取樣率是分鐘級而不是秒級，以及這對異常偵測的影響
銘牌值永遠比實測值高很多——用銘牌值做容量規劃會嚴重浪費，用實測值做會有風險，實務怎麼取捨

交付物：capacity-and-telemetry.md — 容量計算規則 + 遙測來源對照表（設備類別 × 協定 × 關鍵點位 × 取樣率）。

階段 5｜第 23–26 週（20 小時）｜維運流程與模型定稿¶

做什麼	時數
讀 SRE Workbook 的 Monitoring 與 Alerting on SLOs 兩章	6h
訪談維運同事：一天/一週/一個月的實際工作流	4h
搞懂 MOP / SOP / EOP、變更窗口、工單、巡檢、事件分級	4h
整份資料模型定稿 + 寫成 ADR（架構決策記錄）	6h

這一階段最重要的一個認知：

設施的告警不能照搬軟體的 SLO 思維。 軟體世界可以用 error budget「允許一定比例的失敗」；但發電機起動失敗沒有 budget，它是二元的。SRE Workbook 的價值在告警哲學（避免疲勞、可行動性、症狀優先於原因），不在把 error budget 直接套到設施上。這個界線分不清楚，你的告警系統會做壞。

交付物：data-model-v1.md + 一份 ADR 說明每個關鍵建模決策的取捨。

最終驗收：你的模型能否回答這五個問題——

這台伺服器的電力從哪來？經過哪些設備？
若 UPS-A 保養轉 bypass，哪些設備進入單點風險？
這個機櫃還能再上幾台伺服器？限制是電力、空間、還是冷卻？
若某台 CRAH 掉了，哪些機櫃會先熱起來？
這個月哪些設備到了保養期，保養時需要停哪些東西？

五題都答得出來，你就具備建置 infra management 系統的領域知識了。

五、設備總表的六格規格¶

每一類設備都填這六格。這不是背誦卡，是你資料表的欄位規格。

欄位	填什麼
拓撲位置	上游接誰、下游接誰
容量單位	kW / kVA / A / RT / CFM / U / kg，以及銘牌與實測的關係
冗餘表達	N、N+1、2N 在這類設備上具體長什麼樣
遙測介面	協定（Modbus/BACnet/SNMP/Redfish）+ 關鍵點位清單
故障域	它掉了誰跟著死、多久內有影響
維護特性	週期、是否需停機、停機時的替代路徑

已完成範例（見對話）：UPS、CRAH

待填清單（五大系統）：

電力鏈：市電進線、變壓器、中壓開關設備、ATS、發電機、日用油箱/儲油槽、主配電盤、UPS、電池組（鉛酸/鋰電）、STS、PDU、RPP、匯流排（busway）、rack PDU、電力監測儀表
冷卻鏈：冷卻水塔、冰水主機、一次側泵、二次側泵、儲冷槽、板式熱交換器、CRAH/CRAC、精密空調、加濕/除濕、冷熱通道封閉、液冷 CDU、後門熱交換器
空間與機櫃：建築/樓層/機房區、機櫃、機櫃 U 位、盲板、線槽/走線架、配線架、地板/天花板
消防與門禁：極早期偵煙（VESDA）、氣體滅火、消防警報盤、門禁控制器、讀卡機、CCTV、人員通道閘
監控與網路：BMS、EPMS、DCIM、溫濕度感測器、漏水偵測、閘道器/協定轉換器、網管交換器

六、該問 facility 團隊什麼¶

每次談話前挑 3–5 題，不要一次全問。

關於架構 1. 我們是 Tier 幾？設計時做了哪些取捨？ 2. 電力是 2N 還是 N+1？UPS 是並機還是獨立？ 3. 哪些設備是單點故障（SPOF）？你們自己最擔心哪一個？

關於維運 4. 保養時哪些設備需要停機？停機期間的替代路徑是什麼？ 5. 你們現在怎麼記錄機櫃容量？Excel 嗎？痛點在哪？ 6. 上一次真的出事是什麼狀況？怎麼發現的？

關於資料（對你的系統最關鍵） 7. BMS 跟 EPMS 是同一套嗎？資料能不能對得起來？ 8. 現在的告警一天大概幾則？多少是雜訊？ 9. 如果一個系統能自動回答一個你現在得花半天手動查的問題，那會是什麼問題？

第 9 題是整份清單裡最重要的一題。 它會直接告訴你這套系統的第一個功能該做什麼。

七、第二年再談的事¶

以下不是不重要，是現在做會拖垮前六個月：

證照：領域知識扎實之後，EPI CDCP（自修版約 US$895，含考券，40 題 1 小時）是投報比最高的第一張
Uptime Tier Standard 原文：等你能看懂 SLD 之後再讀才有意義
EN 50600 / ISO 22237：導入正式流程管理時再查
AI / 異常偵測 / 容量預測：先有乾淨的資料模型與穩定的遙測，這些才有意義。 反過來做必然失敗