Debugowanie ESXi Machine Check Exception (MCE) PSOD

Description:

Serwery ESXi mogą zostać zatrzymane z fioletowym ekranem diagnostycznym (PSOD) z powodu błędów MCE (wyjątek sprawdzania komputera). Błędy MCE wynikają z problemów ze sprzętem.

Fioletowy ekran diagnostyczny MCE wyświetla wiele elementów. Z nich rejestr MCi_STATUS jest przydatny w debugowaniu problemu.

Szczegóły rejestracji:

• Rejestr MCi_STATUS składa się z informacji o błędzie sprawdzania komputera.
• Rejestr jest wyświetlany obok pozycji "S:". Jak pokazano w poniższym przykładzie:

Bity i ich znaczenie:

Aby debugować błąd, niskie 16 bity rejestru MCi_STATUS są ważne. Bity te wskazują prosty lub złożony błąd.

Opcja 1: Korzystanie z narzędzia automatycznego

• UWAGA: Błąd można teraz debugować za pomocą następującego narzędzia, które automatyzuje poniższe czynności: 

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

Opcja 2: Korzystanie z instrukcji

1. Proste błędy można łatwo debugować

   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. Złożone błędy

   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 — flaga formularza

     0 – Normal Filtering
     1 – Corrected Filtering

     Filtrowanie oznacza, że niektóre lub wszystkie późniejsze korekty tego wpisu w tej strukturze nie są publikowane.

   • TT — dotyczy 2 i 4 powyżej. 

     Wskazuje typ transakcji:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL — dotyczy wersji 1, 2, 4 i 5 powyżej. 

     Wskazuje poziom w hierarchii pamięci, w którym wystąpił błąd

     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 — wskazuje typ działania powiązany z błędem. Działania:

     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 (Uczestnictwo) — opisuje rolę procesora lokalnego w błędzie.

     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 (limit czasu) — 1 = upłynął limit czasu żądania.
   • II (pamięć lub we/wy)

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

   • Błędy kontrolera pamięci — zdefiniowane przez pola podrzędne MMM i CCCC powyżej
   • MMM - Memory error (MMM - błąd pamięci)

     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 — kanał z błędem

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

Oto przykład analizy fioletowego zrzutu ekranu diagnostycznego MCE:

 

1. Zwróć uwagę, że wartość rejestru MCi_STATUS jest 0xfe20004000011166.
2. Konwertuj go na plik binarny:

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

3. Weź dolną 16 bitów rejestru MCi_STATUS:

   0001 0001 0110 0110

   Porównaj je z błędami złożonymi. W takim przypadku wydaje się to być błąd hierarchii pamięci podręcznej (typ 4).

4. Zastosuj wartości:

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

Wniosek:

• Wygląda na to, że fioletowy ekran diagnostyczny wystąpił podczas operacji wstępnej na niektórych danych w pamięci podręcznej L2 procesora.
• W związku z tym może to być problem z pamięcią podręczną L2 procesora.
• W związku z tym należy najpierw wymienić procesor i sprawdzić, czy problem został rozwiązany. Jeśli problem pojawi się ponownie, możemy wymienić płytę główną.