Debug di ESXi Machine Check Exception (MCE) PSOD

Description:

I server ESXi potrebbero arrestarsi con una schermata di diagnostica viola (PSOD) a causa di errori MCE (eccezione di controllo computer). Gli errori MCE sono dovuti a problemi hardware.

La schermata di diagnostica viola MCE mostra più cose. Di questi, il registro MCi_STATUS è utile per il debug del problema.

Dettagli del registro:

• Il registro MCi_STATUS è costituito da informazioni sull'errore di controllo della macchina.
• Il registro viene visualizzato accanto alla "S:" Come illustrato nell'esempio riportato di seguito:

I bit e il loro significato:

Per eseguire il debug dell'errore, sono importanti i 16 bit bassi del registro MCi_STATUS. Questi bit indicano un errore semplice o composto.

Opzione 1: Utilizzo dello strumento automatico

• NOTA: Ora è possibile eseguire il debug dell'errore con il seguente strumento che automatizza i passaggi seguenti: 

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

Opzione 2: Utilizzo della procedura manuale

1. Errori semplici sono facili da sottoporre a debug

   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. Errori composti

   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 - Flag di forma

     0 – Normal Filtering
     1 – Corrected Filtering

     Filtraggio significa che alcune o tutte le correzioni successive a questa voce in questa struttura non vengono registrate.

   • TT - Si applica ai punti 2 e 4 di cui sopra. 

     Indica il tipo di transazione:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL - Si applica ai punti 1, 2, 4 e 5 precedenti. 

     Indica il livello nella gerarchia di memoria in cui si è verificato l'errore

     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 il tipo di azione associata all'errore. Le azioni sono:

     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 (partecipazione) - Descrive il ruolo del processore locale nell'errore.

     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 = Timeout richiesta.
   • II (memoria o I/O)

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

   • Errori del controller di memoria - Definiti dai sottocampi MMM e CCCC sopra
   • MMM - Errore di memoria

     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 - Canale con errore

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

Di seguito è riportato un esempio di come analizzare uno screenshot diagnostico viola MCE:

 

1. Annotare che il valore del registro MCi_STATUS è 0xfe20004000011166.
2. Convertirlo in binario:

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

3. Prendere i 16 bit inferiori del registro MCi_STATUS:

   0001 0001 0110 0110

   Confrontalo con gli errori composti. In questo caso, sembra trattarsi di un errore di gerarchia della cache (tipo 4).

4. Applicare i valori:

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

Conclusione:

• Sembra che la schermata di diagnostica viola si sia verificata durante un'operazione di pre-fetch su alcuni dati nella cache L2 del processore.
• Pertanto, potrebbe trattarsi di un problema con la memoria cache L2 del processore.
• Pertanto, sostituire prima la CPU e verificare se il problema è stato risolto. Nel caso in cui il problema si ripresenti, potremmo sostituire la scheda madre.