Отладка исключения машинной проверки (MCE) PSOD ESXi

Описание.

Серверы ESXi могут останавливаться с фиолетовым экраном диагностики (PSOD) из-за ошибок MCE (исключение машинной проверки). Ошибки MCE вызваны аппаратными проблемами.

На фиолетовом экране диагностики MCE отображается несколько элементов. Из них регистр MCi_STATUS полезен для отладки проблемы.

Сведения о регистрации:

• Регистр MCi_STATUS состоит из информации об ошибке проверки машины.
• Регистр отображается рядом с буквой «S:». Как показано в примере ниже:

Биты и их значение:

Для отладки ошибки важны младшие 16 бит регистра MCi_STATUS. Эти биты указывают на простую или составную ошибку.

Вариант 1. Использование автоматического инструмента

• ПРИМЕЧАНИЕ. Теперь можно отладить ошибку с помощью следующего инструмента, который автоматизирует следующие действия: 

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

Вариант 2. Выполнение действий, выполняемых вручную

1. Простые ошибки легко отлаживаются

   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. Составные ошибки

   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 - Флаг формы

     0 – Normal Filtering
     1 – Corrected Filtering

     Фильтрация означает, что некоторые или все последующие исправления к этой записи в этой структуре не проводятся.

   • TT - Применяется к 2 и 4 выше. 

     Указывает тип транзакции:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL — применяется к пунктам 1, 2, 4 и 5 выше. 

     Указывает уровень в иерархии памяти, на котором произошла ошибка

     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 — указывает тип действия, связанного с ошибкой. Действия:

     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 (Participation) — описывает роль локального процессора в возникновении ошибки.

     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 = Время ожидания запроса истекло.
   • II (память или ввод-вывод)

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

   • Ошибки контроллера памяти — определяются вышеуказанными подполями MMM и CCCC
   • MMM — ошибка памяти

     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 — канал с ошибкой

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

Ниже приведен пример анализа фиолетового диагностического снимка экрана MCE:

 

1. Запишите, что значение регистра MCi_STATUS равно 0xfe20004000011166.
2. Преобразуйте его в двоичный код:

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

3. Возьмем младшие 16 бит регистра MCi_STATUS:

   0001 0001 0110 0110

   Сравните это с составными ошибками. В данном случае это ошибка иерархии кэша (тип 4).

4. Примените значения:

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

Заключение

• По-видимому, фиолетовый экран диагностики появился при выполнении операции предварительной выборки некоторых данных в кэше L2 процессора.
• Таким образом, проблема может быть связана с кэшем L2 на процессоре.
• Поэтому сначала необходимо заменить ЦП и проверить, устранена ли проблема. Если проблема возникнет снова, можно заменить системную плату.