Felsökning av ESXi Machine Check Exception (MCE) PSOD

Beskrivning:

ESXi-servrar kan stoppas med en lila diagnostikskärm (PSOD) på grund av MCE-fel (machine check exception). MCE-fel beror på maskinvaruproblem.

Den lila diagnostikskärmen för MCE visar flera saker. Av dessa är MCi_STATUS registret användbart för att felsöka problemet.

Registrera information:

• Det MCi_STATUS registret består av information om maskinkontrollfelet.
• Registret visas bredvid "S:" Som du ser i exemplet nedan:

Bitar och deras betydelse:

För att felsöka felet är de låga 16 bitarna i MCi_STATUS registret viktiga. Dessa bitar indikerar ett enkelt eller sammansatt fel.

Alternativ 1: Använda automatiskt verktyg

• Obs! Nu kan du felsöka felet med följande verktyg som automatiserar stegen nedan: 

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

Alternativ 2: Använda manuella steg

1. Enkla fel är lätta att felsöka

   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. Sammansatta fel

   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 - Formulärflagga

     0 – Normal Filtering
     1 – Corrected Filtering

     Filtrering innebär att vissa eller alla efterföljande korrigeringar av den här posten i den här strukturen inte bokförs.

   • TT - Gäller 2 och 4 ovan. 

     Anger typ av transaktion:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL - Gäller 1, 2, 4 och 5 ovan. 

     Anger den nivå i minneshierarkin där felet inträffade

     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 – Anger vilken typ av åtgärd som är associerad med felet. Åtgärderna är:

     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 (Deltagande) – Beskriver den lokala processorns roll i felet.

     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 (tidsgräns) – 1 = Tidsgränsen för begäran överskreds.
   • II (minne eller I/O)

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

   • Minnesstyrenhetsfel – definieras av MMM- och CCCC-underfälten ovan
   • MMM – Minnesfel

     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 felet

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

Här är ett exempel på hur du analyserar en MCE-lila diagnostisk skärmbild:

 

1. Anteckna MCi_STATUS registervärdet är 0xfe20004000011166.
2. Konvertera den till binär:

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

3. Ta de lägre 16 bitarna i MCi_STATUS-registret:

   0001 0001 0110 0110

   Jämför det med de sammansatta felen. I det här fallet verkar detta vara ett cachehierarkifel (typ 4).

4. Tillämpa värdena:

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

Slutsats:

• Det verkar som att den lila diagnostikskärmen inträffade när det pågick en förhämtning av vissa data i processorns L2-cacheminne.
• Detta kan alltså vara ett problem med L2-cachen på processorn.
• Därför bör vi byta ut CPU:n först och kontrollera om problemet är löst. Om problemet dyker upp igen kan vi byta ut moderkortet.