Débogage de l’écran PSOD ESXi Machine Check Exception (MCE)

Description:

Les serveurs ESXi peuvent s’arrêter avec un écran de diagnostic violet (PSOD) en raison d’erreurs MCE (machine check exception). Les erreurs MCE sont dues à des problèmes matériels.

L’écran de diagnostic violet MCE affiche plusieurs éléments. Parmi ces éléments, le registre MCi_STATUS est utile pour le débogage du problème.

Détails de l’enregistrement:

• Le registre MCi_STATUS se compose d’informations sur l’erreur de vérification de la machine.
• Le registre s’affiche en regard de « S: » Comme indiqué dans l’exemple ci-dessous:

Bits et leur importance:

Pour déboguer l’erreur, les 16 bits inférieurs du registre MCi_STATUS sont importants. Ces bits indiquent une erreur simple ou composée.

Option 1 : Utilisation de l’outil automatique

• Remarque : Vous pouvez maintenant déboguer l’erreur à l’aide de l’outil suivant qui automatise les étapes ci-dessous: 

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

Option 2 : Utilisation des étapes manuelles

1. Les erreurs simples sont faciles à déboguer

   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. Erreurs complexes

   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 - Indicateur de formulaire

     0 – Normal Filtering
     1 – Corrected Filtering

     Le filtrage signifie que certaines ou toutes les corrections ultérieures apportées à cette entrée dans cette structure ne sont pas publiées.

   • TT: s’applique aux versions 2 et 4 ci-dessus. 

     Indique le type de transaction:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL: s’applique à 1, 2, 4 et 5 ci-dessus. 

     Indique le niveau dans la hiérarchie de mémoire où l’erreur s’est produite

     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: indique le type d’action associée à l’erreur. Les actions sont les suivantes:

     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 (Participation): décrit le rôle du processeur local dans l’erreur.

     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 (Délai d’expiration) - 1 = Délai d’expiration de la demande.
   • II (mémoire ou E/S)

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

   • Erreurs du contrôleur de mémoire: définies par les sous-champs MMM et CCCC ci-dessus
   • MMM- Erreur de mémoire

     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- Canal avec l’erreur

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

Voici un exemple d’analyse d’une capture d’écran de diagnostic violet MCE:

 

1. Notez que la valeur MCi_STATUS’enregistrement est 0xfe20004000011166.
2. Convertissez-le en binaire:

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

3. Prenez les 16 bits inférieurs du registre MCi_STATUS:

   0001 0001 0110 0110

   Comparez-le avec les erreurs complexes. Dans ce cas, il s’agit d’une erreur de hiérarchie de cache (type 4).

4. Appliquez les valeurs suivantes:

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

Conclusion :

• Il semble que l’écran de diagnostic violet se soit produit alors qu’il y avait une opération de prérécupération sur certaines données du cache N2 du processeur.
• Par conséquent, il peut s’agir d’un problème lié au cache N2 sur le processeur.
• Par conséquent, nous devons d’abord remplacer le processeur et vérifier si le problème est résolu. Si le problème se reproduit, nous pouvons remplacer la carte mère.