Ladění systému ESXi Machine Check Exception (MCE) PSOD

Popis:

Servery ESXi se mohou zastavit s fialovou diagnostickou obrazovkou (PSOD) kvůli chybám MCE (machine check exception). Chyby MCE jsou způsobeny problémy s hardwarem.

Fialová diagnostická obrazovka MCE zobrazuje několik věcí. Z nich je registr MCi_STATUS užitečný při ladění problému.

Podrobnosti o registraci:

• Registr MCi_STATUS obsahuje informace o chybě kontroly stroje.
• Registr se zobrazí vedle "S:" Jak je znázorněno v následujícím příkladu:

Bity a jejich význam:

Pro ladění chyby je důležitých 16 bitů registru MCi_STATUS. Tyto bity značí jednoduchou nebo složenou chybu.

1. možnost: Použití automatického nástroje

• POZNÁMKA: Chybu teď můžete ladit pomocí následujícího nástroje, který automatizuje následující kroky: 

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

2. možnost: Použití ručních kroků

1. Jednoduché chyby lze snadno ladit

   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. Složené chyby

   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 - Příznak formuláře

     0 – Normal Filtering
     1 – Corrected Filtering

     Filtrování znamená, že některé nebo všechny následné opravy této položky v této struktuře nejsou zaúčtovány.

   • TT - Platí pro body 2 a 4 výše. 

     Označuje typ transakce:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL – platí pro body 1, 2, 4 a 5 výše. 

     Označuje úroveň v hierarchii paměti, kde došlo k chybě

     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 – Označuje typ akce spojené s chybou. Jedná se o tyto akce:

     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) - Popisuje roli lokálního procesoru v chybě.

     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 = Časový limit požadavku vypršel.
   • II (paměť nebo I/O)

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

   • Chyby řadiče paměti – definováno výše uvedenými podpoli MMM a CCCC
   • MMM – chyba paměti

     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 - Kanál s chybou

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

Zde je příklad, jak analyzovat fialový diagnostický snímek obrazovky MCE:

 

1. Poznamenejte si, že hodnota registru MCi_STATUS je 0xfe20004000011166.
2. Převeďte jej na binární:

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

3. Vezměme si spodních 16 bitů registru MCi_STATUS:

   0001 0001 0110 0110

   Porovnejte to se složenými chybami. V tomto případě se zdá, že se jedná o chybu hierarchie mezipaměti (typ 4).

4. Použijte hodnoty:

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

Závěr:

• Vypadá to, že fialová diagnostická obrazovka se spustila při předběžném načtení některých dat v mezipaměti L2 procesoru.
• Může se tedy jednat o problém s L2 cache na procesoru.
• Proto bychom měli nejprve vyměnit CPU a zkontrolovat, zda je problém vyřešen. V případě, že se problém objeví znovu, můžeme vyměnit základní desku.