Foutopsporing bij ESXi Machine Check Exception (MCE) PSOD

Beschrijving:

ESXi-servers kunnen stoppen met een paars diagnostisch scherm (PSOD) als gevolg van MCE-fouten (machine check exception). MCE-fouten zijn te wijten aan hardwareproblemen.

Het mce paars diagnosescherm geeft meerdere dingen weer. Hiervan is het MCi_STATUS register handig bij het opsporen van het probleem.

Registratiegegevens:

• Het MCi_STATUS register bestaat uit informatie over de fout bij de machinecontrole.
• Het register wordt weergegeven naast de "S:" Zoals in het onderstaande voorbeeld wordt weergegeven:

Bits en hun betekenis:

Om de fout op te sporen, zijn de lage 16 bits van het MCi_STATUS register belangrijk. Deze bits geven een eenvoudige of samengestelde fout aan.

Optie 1: Automatische tool gebruiken

• OPMERKING: U kunt de fout nu opsporen met de volgende tool die de onderstaande stappen automatiseert: 

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

Optie 2: Handmatige stappen gebruiken

1. Eenvoudige fouten zijn eenvoudig op te sporen

   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. Samengestelde fouten

   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 - Formuliervlag

     0 – Normal Filtering
     1 – Corrected Filtering

     Filteren betekent dat sommige of alle daaropvolgende correcties voor deze vermelding in deze structuur niet worden geplaatst.

   • TT - Geldt voor 2 en 4 hierboven. 

     Geeft het type transactie aan:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL - Geldt voor 1, 2, 4 en 5 hierboven. 

     Geeft het niveau in de geheugenhiërarchie aan waar de fout is opgetreden

     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 - Geeft het type actie aan dat aan de fout is gekoppeld. Acties zijn:

     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) - Beschrijft de rol van de lokale processor in de fout.

     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 (time-out) - 1 = time-out aanvraag.
   • II (Geheugen of I/O)

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

   • Geheugencontrollerfouten - gedefinieerd door MMM- en CCCC-subvelden hierboven
   • MMM - Geheugenfout

     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 - Kanaal met de fout

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

Hier is een voorbeeld van het analyseren van een MCE paarse diagnostische schermafbeelding:

 

1. Noteer dat de registerwaarde van de MCi_STATUS is 0xfe20004000011166.
2. Converteer het naar binair bestand:

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

3. Neem de onderste 16 bits van het MCi_STATUS register:

   0001 0001 0110 0110

   Vergelijk het met de samengestelde fouten. In dit geval lijkt dit een cachehiërarchiefout te zijn (type 4).

4. Pas de waarden toe:

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

Conclusie:

• Het lijkt erop dat het paarse diagnostische scherm is opgetreden terwijl er een prefetch-bewerking was op sommige data in de L2-cache van de processor.
• Dit kan dus een probleem zijn met de L2-cache op de processor.
• Daarom moeten we eerst de CPU vervangen en controleren of het probleem is opgelost. Als het probleem zich weer voordoet, kunnen we het moederbord vervangen.