调试 ESXi 机器检查异常 （MCE） PSOD

Description:

由于 MCE（机器检查异常）错误，ESXi 服务器可能会停止并显示紫色诊断屏幕 （PSOD）。MCE 错误是由硬件问题引起的。

MCE 紫色诊断屏幕显示多个内容。其中，MCi_STATUS寄存器在调试问题时很有用。

注册详细信息：

• MCi_STATUS寄存器包含有关机器检查错误的信息。
• 寄存器显示在“S：”旁边如下例所示：

位及其意义：

为了调试错误，MCi_STATUS寄存器的低16位非常重要。这些位表示简单或复合错误。

选项 1：使用自动工具

• 提醒：现在，您可以使用以下工具调试错误，该工具可自动执行以下步骤： 

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

选项 2：使用手动步骤

1. 简单错误易于调试

   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. 复合误差

   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 - 表单标记

     0 – Normal Filtering
     1 – Corrected Filtering

     过滤意味着不会发布此结构中对此条目的部分或全部后续更正。

   • TT — 适用于上述 2 和 4。 

     表示交易类型：

     00 - Instruction
     01 - Data
     10 - Generic

   • LL — 适用于上述 1、2、4 和 5。 

     指示发生错误的内存层次结构中的级别

     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 - 指示与错误关联的操作类型。操作包括：

     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（参与）— 描述本地处理器在错误中的角色。

     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（超时）- 1 = 请求超时。
   • II（内存或 I/O）

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

   • 内存控制器错误 — 由上面的 MMM 和 CCCC 子字段定义
   • MMM - 内存错误

     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 - 带有错误的通道

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

下面是如何分析 MCE 紫色诊断屏幕截图的示例：

 

1. 请注意，MCi_STATUS寄存器值为 0xfe20004000011166。
2. 将其转换为二进制：

   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

   将其与复合误差进行比较。在这种情况下，这似乎是缓存层次结构错误（类型 4）。

4. 应用值：

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

结论：

• 在对处理器的 L2 高速缓存中的某些数据执行预取操作时，似乎出现了紫色诊断屏幕。
• 因此，这可能是处理器上的 L2 高速缓存的问题。
• 因此，我们应首先更换CPU，并检查问题是否得到解决。如果问题再次出现，我们可以更换主板。