Depurando PSOD de exceção de verificação de máquina (MCE) do ESXi

Descrição:

Os servidores ESXi podem parar com uma PSOD (tela de diagnóstico roxa) devido a erros de MCE (exceção de verificação de máquina). Os erros de MCE ocorrem devido a problemas de hardware.

A tela de diagnóstico roxa do MCE exibe várias coisas. Destes, o registro MCi_STATUS é útil na depuração do problema.

Detalhes do registro:

• O registro MCi_STATUS consiste em informações sobre o erro de verificação da máquina.
• O registro é exibido ao lado do "S:" Como mostrado no exemplo abaixo:

Bits e seu significado:

Para depurar o erro, os 16 bits baixos do registro MCi_STATUS são importantes. Esses bits indicam um erro simples ou composto.

Opção 1: Usando a ferramenta automática

• Nota: Agora você pode depurar o erro com a seguinte ferramenta que automatiza as etapas abaixo: 

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

Opção 2: Usando etapas manuais

1. Erros simples são fáceis 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. Erros compostos

   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 - Sinalizador do formulário

     0 – Normal Filtering
     1 – Corrected Filtering

     A filtragem significa que algumas ou todas as correções subsequentes a essa entrada nessa estrutura não são lançadas.

   • TT - Aplica-se a 2 e 4 acima. 

     Indica o tipo de transação:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL - Aplica-se a 1, 2, 4 e 5 acima. 

     Indica o nível na hierarquia de memória em que o erro ocorreu

     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 o tipo de ação associado ao erro. As ações são:

     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) - Descreve a função do processador local no erro.

     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 (tempo de espera excedido) - 1 = tempo limite da solicitação excedido.
   • II (memória ou E/S)

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

   • Erros do controlador de memória - definidos pelos subcampos MMM e CCCC acima
   • MMM - Erro de memória

     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 com o erro

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

Este é um exemplo de como analisar uma captura de tela de diagnóstico roxa do MCE:

 

1. Anote que o valor do registro de MCi_STATUS é 0xfe20004000011166.
2. Converta-o em binário:

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

3. Pegue os 16 bits inferiores do registro MCi_STATUS:

   0001 0001 0110 0110

   Compare-o com os erros compostos. Nesse caso, parece ser um erro de hierarquia de cache (tipo 4).

4. Aplique os valores:

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

Conclusão:

• Parece que a tela de diagnóstico roxa ocorreu enquanto havia uma operação de pré-busca em alguns dados no cache L2 do processador.
• Portanto, isso pode ser um problema com o cache L2 no processador.
• Portanto, devemos substituir a CPU primeiro e verificar se o problema foi resolvido. Caso o problema surja novamente, podemos substituir a placa-mãe.