FPGA 原型验证专题 47：多用户共享的原型资源调度——板卡预约、作业排队、互锁与谁也别把谁的镜像冲掉
更新时间：2026-09-13。本文是模块 F（规模化、云化与工程运营） 第二篇，紧接 46 编译农场与周转时间 OOC/增量/seed 扫掠 解决“比特流产得出”，本篇解决更难的一半：比特流产出来了，几十个人怎么有序地把它跑到有限且昂贵的硬件上，而不互相踩踏。
一、原型硬件是“必须独占的稀缺重资产”
和编译 farm 不同，上板资源有三个特性让共享变难：
- 物理独占性：一片 FPGA 同一时刻只能跑一个比特流、连一组调试器，两个人同时烧同一片必然冲突；
- 状态黏性：一次 bring-up 会话可能占板几小时到几天（复现偶现 bug、长时间压测），中途不能被打断；
- 昂贵且不可快速扩容：多片机柜 + 子卡 + 仪表价值数百万~上千万（36 商用原型平台版图 HAPS/Protium/第三方能力边界），买第二套周期长。
没有调度时，典型乱象是：板卡在某人座位上“名义占用”实则空转、有人靠吼和微信群借板、深夜抢占、有人误烧了别人正在调试的板导致现场全毁。资源治理的目标是把物理利用率从 20~30% 提到 60~75%，同时不牺牲进行中会话的安全。
二、两种共享模型：预约制 vs 作业制
| 维度 | 预约制（reservation） | 作业制（job/batch） |
|---|---|---|
| 适合 | 交互式 bring-up、调试、多人现场 | 回归、冒烟、长稳压测、批量 trace |
| 占用粒度 | 整块板/机柜 × 时间段 | 一批片 × 跑完即释放 |
| 时长 | 小时~天 | 分钟~小时 |
| 可中断 | 否（人工在场） | 可排队/可重试 |
| 类比 | 订会议室 | HPC 作业队列 |
成熟平台两者并存：预留一部分板做交互式预约池，其余进自动化作业池（接 53 比特流回归与冒烟自动化农场 硬件 CI/门禁），夜间和周末作业池可借用预约池空闲资源，到点自动腾退。
三、资源建模：占用到什么粒度
机柜 rack
└─ 板 board（可独立上下电、有控制器/串口/IP）
└─ FPGA 芯片 device（烧录/调试的最小独占单位）
└─ 资源属性：型号、容量档、所配子卡、互联拓扑、连的仪表调度器管理的最小独占单位通常是板（同一板上多片 FPGA 往往要一起烧、共享时钟和子卡）。每个资源带属性标签：平台型号、容量（能装多大设计）、挂载的 daughtercard（34 以太网/USB/MIPI 外设接入 子卡生态/等时实时性）、网络可达性。作业按“需要几片、什么容量、哪些子卡、是否要跨片互联”匹配资源（35 多 FPGA IO 引出与引脚规划 连接器/电平/SI/取舍），避免把大设计排到小板。
四、调度器状态机与租约
核心是 租约（lease）+ 心跳：占用不是永久的，持有者必须周期性续租；进程崩溃、网络断开、人下班忘了释放，租约超时后调度器自动回收，杜绝“僵尸占板”。交互式会话给较长租约（如 30 分钟心跳、宽限 1 小时），自动化作业租约严格（心跳几分钟）。
五、防误烧的三道闸
最严重的事故是“把 A 的比特流烧进 B 正在调试的板”。必须有三道独立闸：
- 逻辑闸——绑定校验：烧录请求必须携带 板 ID + 比特流版本指纹 + 当前租约 token，调度器三者校验一致才放行（20 比特流烧录与四方版本一致 manifest/门禁）；
- 物理闸——独占锁：JTAG/烧录器和调试 IP 端口被占用者持锁，其他会话连不上（39 商用原型调试 IP 深跟踪/动态探针/可见性预算、27 JTAG 链）；
- 确认闸——在位/状态检测：烧前读板载 ID/温度/在位信号，确认不是被人换过子卡或处于维护态。
三闸任一不过即拒绝并告警，宁可让人多等，不可误烧。
六、远程上下电、看门狗与异常恢复
规模化后不可能跑到机房拔电源：
- 远程可控供电（PDU/智能电源）：会话开始上电、结束或异常时下电，既清状态又省电费与发热（42 电源散热）；
- 板载管理控制器：串口/网络控制台、温度电压监控、看门狗；
- 挂死自动恢复：DUT 失去响应达阈值，自动发复位→重新烧录→重跑作业，并记录一次“硬件不稳定”事件（区分是设计 bug 还是板卡问题，呼应 39 仿真过板不过）；
- 掉电/服务器重启恢复：租约和预约状态持久化，服务重启后从上次状态续接，而不是把所有板标记为空闲导致重复分配。
七、跨时区接力与“清场”纪律
多地团队用同一批板，收益是“跟着太阳转”，但要求标准化交接：
- 会话结束执行清场（teardown）：停时钟、下电、释放子卡、上传 trace/日志、把比特流指纹和结论写回工作项（trace 留存纪律见 45 Trace 带宽与深度工程 采样/缓冲/压缩/回传管线）；
- 预约日历全局可见，下一时区团队能看到“这块板现在跑的是什么、结论到哪、可以怎么接手”；
- 长稳压测标明“勿动”窗口，调度器不得在窗口内回收（即使看似空闲）。
八、把利用率从 25% 提到 70% 的运营规则
- 可视化占用：所有板实时状态（空闲/占用/排队/故障）上墙，谁占着、还占多久一目了然；
- 空闲自动降级为可借用：预约开始前 N 分钟未就绪、或会话心跳显示空闲，自动放回作业池；
- 限时与提醒：连续占用超过 SLA 自动询问是否释放，杜绝囤板；
- 故障板隔离：连续自动恢复失败即标记维护移出池，避免作业反复撞上坏板拉低成功率；
- 利用率纳入运营指标：按团队/板型统计真实利用率与排队等待，作为是否扩容的数据依据（接 54 运营指标看板 利用率/TAT/flake/就绪度）。
九、常见坑速查
- 靠口头/群聊借板 → 上线预约+作业调度，全部留痕；
- 占用即永久、人走板锁 → 租约心跳，超时自动回收；
- 只做软件校验、烧录器谁都能连 → 必须补物理独占锁；
- 会话异常板卡挂死没人管 → 远程上下电+看门狗自动复位；
- 故障板混在池里反复失败 → 自动隔离维护；
- 跨时区交接无清场 → 标准化 teardown，现场/指纹/结论可接手。
与系列及现有篇目的链接
- 上游产线：46 编译农场与周转时间 OOC/增量/seed 扫掠
- 安全烧录与版本：20 比特流烧录与四方版本一致 manifest/门禁、27 JTAG 链高级
- 硬件平台：36 商用原型平台版图 HAPS/Protium/第三方能力边界、34 以太网/USB/MIPI 外设接入 子卡生态/等时实时性
- 运营配套：48 远程实验室与 IO 重定向 虚拟前面板/远程上下电、53 比特流回归与冒烟自动化农场 硬件 CI/门禁、54 运营指标看板 利用率/TAT/flake/就绪度
总结
一句话总结：多片原型机柜是价值数百万到上千万、同一时刻只能跑一个镜像且状态会连续黏住几小时到几天的物理独占稀缺重资产，几十人跨软件/固件/验证/架构组跨时区共用时，必须把它从“设备”当成需要操作系统的计算资源来调度——成熟做法是预约制（交互式 bring-up、人工在场、不可中断、按整块板×时间段，类比订会议室）与作业制（回归冒烟长稳压测、跑完即释放、可排队可重试，类比 HPC 队列）并存，预留交互池、其余进自动化作业池、夜间周末自动借用并在预约前到点腾退；资源按机柜→可独立上下电的板→烧录调试最小独占单位 FPGA 的层次建模并带型号/容量/子卡/互联/仪表属性，作业按需匹配避免大设计排上小板；调度核心是租约加心跳——占用必须周期续租，进程崩溃/断网/忘记释放则租约超时自动回收，杜绝僵尸占板；防误烧要三道彼此独立的闸：板 ID+比特流版本指纹+租约 token 三者一致的逻辑绑定校验、JTAG/调试口被持有者独占他人连不上的物理锁、烧前读在位 ID 温度子卡状态的确认闸，任一不过即拒绝；再配远程可控上下电、板载管理控制器与看门狗（挂死自动复位重烧并区分设计 bug 与硬件故障）、租约持久化保证服务器重启不重复分配；跨时区接力执行标准化清场（停钟下电、释放子卡、回传 trace、写回指纹与结论）使下一时区可无缝接手；配合占用实时上墙、空闲自动降级可借用、超 SLA 提醒释放、连续恢复失败自动隔离故障板、利用率纳入运营指标等规则，可在不破坏进行中调试会话的前提下把硬件物理利用率从 20~30% 提到 60~75%。