Feilsøking av ESXi Machine Check Exception (MCE) PSOD

Beskrivelse:

ESXi-servere kan stoppe med en lilla diagnoseskjerm (PSOD) på grunn av MCE-feil (maskinkontrollunntak). MCE-feil skyldes maskinvareproblemer.

MCE-lilla diagnoseskjerm viser flere ting. Av disse er det MCi_STATUS registeret nyttig for å feilsøke problemet.

Registrer detaljer:

• Det MCi_STATUS registeret består av informasjon om maskinkontrollfeilen.
• Registeret vises ved siden av "S:" Som vist i eksemplet nedenfor:

Biter og deres betydning:

For å feilsøke feilen er de lave 16 bitene i MCi_STATUS registeret viktige. Disse bitene indikerer en enkel eller sammensatt feil.

Alternativ 1: Bruke automatiske verktøy

• MERK: Du kan nå feilsøke feilen med følgende verktøy som automatiserer trinnene nedenfor: 

  https://vmware-psod-reader.github.io/vmware-psod-reader/

Alternativ 2: Bruke manuelle trinn

1. Enkle feil er enkle å feilsøke

   0000 0000 0000 0000 -- No Error reported to this bank of error-reporting registers.
   0000 0000 0000 0001 -- Unclassified - Error has not been classified.
   0000 0000 0000 0010 -- Parity error in internal microcode ROM.
   0000 0000 0000 0011 -- External error-BINIT# from another processor caused this processor MCE. Happens only if BINIT# observation enabled during power on.
   0000 0000 0000 0100 -- Functional redundancy check master/slave error.
   0000 0000 0000 0101 -- Internal parity error.
   0000 0000 0000 0110 -- SMM handler tried to execute outside the ranges specified by SMRR.
   0000 0100 0000 0000 -- Internal timer error.
   0000 1110 0000 1011 -- I/O error.
   0000 01xx xxxx xxxx -- Internal unclassified error. Atleast one X must be equal to 1.

2. Sammensatte feil

   000F 0000 0000 11LL - Generic Cache Hierarchy error.
   000F 0000 0001 TTLL - {TT}TLB{LL}_ERR. TLB errors.
   000F 0000 1MMM CCCC - {MMM}_Channel{CCCC}_ERR - Memory controller errors.
   000F 0001 RRRR TTLL - {TT}CACHE{LL}_{RRRR}_ERR - Cache Hierarchy errors.
   000F 1PPT RRRR IILL - BUS{LL}_{PP}_{RRRR}_{II}_T_ERR - Bus and Interconnect errors.

   • F - Skjemaflagg

     0 – Normal Filtering
     1 – Corrected Filtering

     Filtrering betyr at noen av eller alle de påfølgende rettelsene i denne oppføringen i denne strukturen ikke posteres.

   • TT - Gjelder 2 og 4 ovenfor. 

     Angir type transaksjon:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL - Gjelder 1, 2, 4 og 5 ovenfor. 

     Angir nivået i minnehierarkiet der feilen oppstod

     00 - Level 0 - L0
     01 - Level 1 - L1
     10 - Level 2 - L2
     11 - Generic – LG (It is shown only when processor cannot determine the hierarchy level)

   • RRRR – angir handlingstypen som er knyttet til feilen. Handlingene er:

     0000 - Generic Error - ERR
     0001 - Generic Read - RD
     0010 - Generic Write - WR
     0011 - Data Read - DRD
     0100 - Data Write - DWR
     0101 - Instruction Fetch - IRD
     0110 - Prefetch - PREFETCH
     0111 - Eviction - EVICT
     1000 - Snoop - SNOOP

   • PP (deltakelse) – beskriver rollen til den lokale prosessoren i feilen.

     00 - SRC - Local processor originated request
     01 - RES - Local processor responded to request
     10 - OBS - Local processor observed error as third party
     11 - Generic

   • T (Time-out) – 1 = Forespørselen ble tidsavbrutt.
   • II (minne eller I/O)

     00 - M - Memory Access
     10 - IO - I/O
     01 - Reserved
     11 - Other transaction

   • Minnekontrollerfeil – definert av MMM- og CCCC-underfeltene ovenfor
   • MMM – minnefeil

     000 - GEN - Generic undefined request
     001 - RD - Memory read error
     010 - WR - Memory write error
     011 - AC - Address/Command error
     100 - MS - Memory Scrubbing error
     101-111 - Reserved

   • CCCC – kanal med feilen

     0000-1110 - CHN - Channel number
     1111 - Channel not specified

Her er et eksempel på hvordan du analyserer et MCE lilla diagnostisk skjermbilde:

 

1. Skriv ned MCi_STATUS registerverdi er 0xfe20004000011166.
2. Konverter den til binær:

   1111 1110 0010 0000 0000 0000 0100 0000 0000 0000 0000 0001 0001 0001 0110 0110

3. Ta de nederste 16 bitene av MCi_STATUS-registeret:

   0001 0001 0110 0110

   Sammenlign det med sammensatte feil. I dette tilfellet ser dette ut til å være en cache-hierarkifeil (type 4).

4. Bruk verdiene:

   F = 1
   RRRR = 0110 – Prefetch
   TT = 01 – Transaction type - Data
   LL = 10 – Level 2 cache

Konklusjon:

• Det ser ut til at den lilla diagnoseskjermen oppstod mens det var en forhåndshentingsoperasjon på noen data i L2-hurtigbufferen til prosessoren.
• Dermed kan dette være et problem med L2-hurtigbufferen på prosessoren.
• Derfor bør vi bytte ut CPU først og sjekke om problemet er løst. I tilfelle problemet kommer opp igjen, kan vi bytte ut hovedkortet.