ESXi-virheenkorjaus Laitetarkistuspoikkeus (MCE) PSOD

Kuvaus:

ESXi-palvelimet saattavat pysähtyä purppuraan diagnostiikkanäyttöön (PSOD) MCE (machine check exception) -virheiden vuoksi. MCE-virheet johtuvat laitteisto-ongelmista.

MCE Purple -diagnostiikkanäytössä näkyy useita asioita. Näistä MCi_STATUS rekisteri on hyödyllinen ongelman virheenkorjauksessa.

Rekisterin tiedot:

• MCi_STATUS rekisteri koostuu koneen tarkistusvirheen tiedoista.
• Rekisteri näkyy "S:" -kohdan vieressä: Kuten alla olevasta esimerkistä näkyy:

Bitit ja niiden merkitys:

Virheen virheenkorjauksen kannalta MCi_STATUS rekisterin alhaiset 16 bittiä ovat tärkeitä. Nämä bitit ilmaisevat yksinkertaisen tai yhdistetyn virheen.

Vaihtoehto 1: Automaattisen työkalun käyttäminen

• HUOMAUTUS: Voit nyt korjata virheen seuraavalla työkalulla, joka automatisoi seuraavat vaiheet: 

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

Vaihtoehto 2: Manuaalisten vaiheiden käyttäminen

1. Yksinkertaiset virheet on helppo korjata

   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. Yhdistetyt virheet

   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 - Lomakkeen lippu

     0 – Normal Filtering
     1 – Corrected Filtering

     Suodatus tarkoittaa, että joitakin tai kaikkia tämän rakenteen merkinnän myöhempiä korjauksia ei kirjata.

   • TT - Koskee kohtia 2 ja 4 edellä. 

     Ilmaisee tapahtuman tyypin:

     00 - Instruction
     01 - Data
     10 - Generic

   • LL - Koskee yllä olevia kohtia 1, 2, 4 ja 5. 

     Ilmaisee muistihierarkian tason, jolla virhe ilmeni

     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 - Ilmaisee virheeseen liittyvän toiminnon tyypin. Toimet ovat:

     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 (osallistuminen) - Kuvaa paikallisen suorittimen roolin virheessä.

     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 (aikakatkaisu) - 1 = Pyyntö aikakatkaistiin.
   • II (muisti tai I/O)

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

   • Muistiohjaimen virheet – MMM- ja CCCC-alikenttien määrittämät yllä
   • MMM – Muistivirhe

     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 - kanava, jossa on virhe

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

Tässä on esimerkki MCE: n violetin diagnostisen näyttökuvan analysoinnista:

 

1. Huomioi, että MCi_STATUS rekisteriarvo on 0xfe20004000011166.
2. Muunna se binaariksi:

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

3. Ota MCi_STATUS rekisterin alemmat 16 bittiä:

   0001 0001 0110 0110

   Vertaa sitä yhdistelmävirheisiin. Tässä tapauksessa kyseessä on välimuistihierarkiavirhe (tyyppi 4).

4. Käytä arvoja:

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

Johtopäätös:

• Näyttää siltä, että violetti diagnostiikkanäyttö tapahtui, kun suorittimen L2-välimuistissa oli esihaku joillekin tiedoille.
• Siksi tämä voi olla ongelma prosessorin L2-välimuistissa.
• Siksi meidän on ensin vaihdettava prosessori ja tarkistettava, onko ongelma ratkaistu. Jos ongelma ilmenee uudelleen, voimme vaihtaa emolevyn.