除錯 ESXi 機器檢查例外狀況 （MCE） PSOD

Description:

ESXi 伺服器可能會因為 MCE （機器檢查異常） 錯誤而停止並顯示紫色診斷畫面 （PSOD）。MCE 錯誤是由於硬體問題所導致。

MCE 紫色診斷畫面會顯示多項內容。其中，MCi_STATUS寄存器在調試問題時很有用。

註冊詳情：

• MCi_STATUS註冊包含有關計算機檢查錯誤的資訊。
• 寄存器顯示在「S：」旁邊如下例所示：

比特及其意義：

為了調試錯誤，MCi_STATUS寄存器的低16位很重要。這些位表示簡單或複合錯誤。

選項 1：使用自動工具

• 注意：現在，您可以使用以下自動執行以下步驟的工具調試錯誤： 

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

選項 2：使用手動步驟

1. 簡單的錯誤很容易除錯

   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. 複合錯誤

   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 - 表單旗標

     0 – Normal Filtering
     1 – Corrected Filtering

     篩選意味著不會發佈此結構中對此條目的部分或全部後續更正。

   • TT - 適用於上述 2 和 4。 

     指示交易類型：

     00 - Instruction
     01 - Data
     10 - Generic

   • LL - 適用於上述 1、2、4 和 5。 

     指示記憶體階層中發生錯誤的層級

     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 - 指示與錯誤關聯的操作類型。動作包括：

     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 （參與） - 描述本地處理器在錯誤中的作用。

     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 （逾時） - 1 = 要求逾時。
   • II （記憶體或 I/O）

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

   • 記憶體控制器錯誤 - 由上述 MMM 和 CCCC 子欄位定義
   • MMM - 記憶體錯誤

     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 - 有錯誤的通道

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

下面是如何分析 MCE 紫色診斷螢幕截圖的範例：

 

1. 記下MCi_STATUS寄存器值為0xfe20004000011166。
2. 將其轉換為二進位：

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

3. 取MCi_STATUS寄存器的下 16 位：

   0001 0001 0110 0110

   將其與複合錯誤進行比較。在這種情況下，這似乎是緩存層次結構錯誤（類型 4）。

4. 套用值：

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

結論：

• 當處理器 L2 快取記憶體中的某些資料執行預先擷取作業時，似乎出現紫色診斷畫面。
• 因此，這可能是處理器上 L2 快取記憶體的問題。
• 因此，我們應該先更換 CPU，再檢查問題是否已解決。如果問題再次出現，我們可以更換主機板。