Depuración de PSOD de excepción de comprobación de máquina (MCE) de ESXi

Descripción:

Es posible que los servidores ESXi se detengan con una pantalla de diagnóstico (PSOD) púrpura debido a errores de MCE (excepción de comprobación de máquina). Los errores de MCE se deben a problemas de hardware.

La pantalla de diagnóstico púrpura de MCE muestra varios elementos. De estos, el registro de MCi_STATUS es útil para depurar el problema.

Detalles del registro:

• El registro de MCi_STATUS consta de información sobre el error de comprobación de la máquina.
• El registro se muestra junto a la "S:" Como se muestra en el siguiente ejemplo:

Bits y su significado:

Para depurar el error, los 16 bits inferiores del registro de MCi_STATUS son importantes. Estos bits indican un error simple o compuesto.

Opción 1: Uso de la herramienta automática

• NOTA: Ahora puede depurar el error con la siguiente herramienta que automatiza los pasos que se indican a continuación: 

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

Opción 2: Uso de pasos manuales

1. Los errores simples son fáciles de depurar

   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. Errores compuestos

   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 - Marca de forma

     0 – Normal Filtering
     1 – Corrected Filtering

     El filtrado significa que algunas o todas las correcciones posteriores a esta entrada en esta estructura no se publican.

   • TT: se aplica a los puntos 2 y 4 anteriores. 

     Indica el tipo de transacción:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL: se aplica a los puntos 1, 2, 4 y 5 anteriores. 

     Indica el nivel en la jerarquía de memoria en el que se produjo el error

     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: indica el tipo de acción asociada con el error. Las acciones son las siguientes:

     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 (participación): describe la función del procesador local en el error.

     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 (tiempo de espera agotado) - 1 = tiempo de espera agotado de la solicitud.
   • II (memoria o I/O)

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

   • Errores de la controladora de memoria: definidos por los subcampos MMM y CCCC anteriores
   • MMM: error de memoria

     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: canal con el error

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

A continuación, se muestra un ejemplo de cómo analizar una captura de pantalla de diagnóstico de MCE Morado:

 

1. Anote que el valor del registro de MCi_STATUS es 0xfe20004000011166.
2. Conviértalo en binario:

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

3. Tome los 16 bits inferiores del registro MCi_STATUS:

   0001 0001 0110 0110

   Compáralo con los errores compuestos. En este caso, parece ser un error de jerarquía de caché (tipo 4).

4. Aplique los valores:

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

Conclusión:

• Parece que la pantalla de diagnóstico de color púrpura se produjo mientras se realizaba una operación de captura previa en algunos datos en la caché L2 del procesador.
• Por lo tanto, esto podría ser un problema con la caché L2 en el procesador.
• Por lo tanto, primero debemos reemplazar la CPU y verificar si el problema se resolvió. En caso de que el problema vuelva a surgir, podemos reemplazar la placa base.