Fejlfinding af ESXi Machine Check Exception (MCE) PSOD

Beskrivelse:

ESXi-servere kan stoppe med en lilla diagnostisk skærm (PSOD) pga. MCE-fejl (machine check exception). MCE-fejl skyldes hardwareproblemer.

Den lilla MCE-diagnosticeringsskærm viser flere ting. Ud af disse er MCi_STATUS-registret nyttigt til fejlfinding af problemet.

Oplysninger om tilmelding:

• Det MCi_STATUS register består af oplysninger om maskinkontrolfejlen.
• Kasseapparatet vises ved siden af "S:" Som vist i eksemplet nedenfor:

Bits og deres betydning:

For at fejlfinde fejlen er de lave 16 bit i MCi_STATUS-registret vigtige. Disse bits indikerer en simpel eller sammensat fejl.

Valgmulighed 1: Brug af automatisk værktøj

• BEMÆRK: Du kan nu fejlfinde fejlen med følgende værktøj, der automatiserer nedenstående trin: 

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

Valgmulighed 2: Brug af manuelle trin

1. Enkle fejl er nemme at fejlfinde

   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. Sammensatte fejl

   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 – Formularflag

     0 – Normal Filtering
     1 – Corrected Filtering

     Filtrering betyder, at nogle eller alle de efterfølgende rettelser til denne post i denne struktur ikke bogføres.

   • TT - Gælder for 2 og 4 ovenfor. 

     Angiver transaktionstype:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL - Gælder for 1, 2, 4 og 5 ovenfor. 

     Angiver det niveau i hukommelseshierarkiet, hvor fejlen opstod

     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 - Angiver den type handling, der er knyttet til fejlen. Foranstaltningerne er:

     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 (deltagelse) - Beskriver den lokale processors rolle i fejlen.

     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 (timeout) - 1 = Anmodning fik timeout.
   • II (hukommelse eller I/O)

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

   • Hukommelsescontrollerfejl – defineret af MMM- og CCCC-underfelter ovenfor
   • MMM – hukommelsesfejl

     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 – kanal med fejlen

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

Her er et eksempel på, hvordan du analyserer et MCE lilla diagnostisk skærmbillede:

 

1. Bemærk, at MCi_STATUS registerværdien er 0xfe20004000011166.
2. Konverter det til binært:

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

3. Tag de nederste 16 bit af MCi_STATUS-registret:

   0001 0001 0110 0110

   Sammenlign det med de sammensatte fejl. I dette tilfælde ser det ud til at være en cachehierarkifejl (type 4).

4. Anvend værdierne:

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

Konklusion:

• Det ser ud til, at den lilla diagnostiske skærm opstod, mens der var en prefetch-handling på nogle data i processorens L2-cache.
• Dette kan således være et problem med L2-cachen på processoren.
• Derfor bør vi først udskifte CPU'en og kontrollere, om problemet er løst. Hvis problemet opstår igen, kan vi udskifte bundkortet.