ESXiマシン チェック例外(MCE)PSODのデバッグ

「Description:

MCE(マシン チェック例外)エラーにより、ESXiサーバーが紫色の診断画面(PSOD)で停止することがあります。MCEエラーはハードウェアの問題によるものです。

MCE紫色の診断画面には、複数の情報が表示されます。これらの中で、MCi_STATUSレジスタは問題のデバッグに役立ちます。

登録の詳細:

• MCi_STATUSレジスターは、マシン チェック エラーに関する情報で構成されます。
• レジスターが[S:]の横に表示されます。次の例に示すように、

ビットとその重要性:

エラーをデバッグするには、MCi_STATUSレジスタの16ビットが少なくなっています。これらのビットは、単純エラーまたは複合エラーを示します。

オプション1: 自動ツールの使用

• メモ: 以下の手順を自動化する次のツールを使用して、エラーをデバッグできるようになりました。 

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

オプション2: 手動ステップの使用

1. シンプルなエラーはデバッグが容易

   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. 複合エラー

   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 - フォーム フラグ

     0 – Normal Filtering
     1 – Corrected Filtering

     フィルタリングとは、この構造内のこのエントリーに対する後続の修正の一部またはすべてを掲載しないことを意味します。

   • TT - 上記の2および4に適用されます。 

     トランザクションのタイプを示します。

     00 - Instruction
     01 - Data
     10 - Generic

   • LL - 上記の1、2、4、5に適用されます。 

     エラーが発生したメモリ階層のレベルを示します

     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 - エラーに関連づけられたアクションのタイプを示します。アクションは次のとおりです。

     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(参加) - エラーのローカル プロセッサーの役割について説明します。

     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(タイムアウト) - 1 = リクエストがタイムアウトしました。
   • II(メモリーまたはI/O)

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

   • メモリー コントローラーエラー - 上記のMMMおよびCCCCサブフィールドによって定義される
   • MMM - メモリー エラー

     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 - エラーのあるチャネル

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

ここでは、MCE紫色の診断スクリーンショットを分析する方法の例を示します。

 

1. MCi_STATUS登録の値が0xfe20004000011166であることに注意してください。
2. バイナリに変換します。

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

3. MCi_STATUSレジスターの下位16ビットを取得します。

   0001 0001 0110 0110

   複合エラーと比較します。この場合、これはキャッシュ階層エラー(タイプ4)のように見えます。

4. 値を適用します。

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

結論:

• プロセッサーのL2キャッシュ内の一部のデータでプリフェッチ操作が行われている間に紫色の診断画面が発生したようです。
• したがって、これはプロセッサーのL2キャッシュに問題がある可能性があります。
• そのため、最初にCPUを交換し、問題が解決したかどうかを確認する必要があります。問題が再び発生した場合は、マザーボードを交換できます。