搭載 Intel Xeon 可擴充處理器的 Dell PowerEdge 伺服器上的 DDR4 自我修復功能

Dell PowerEdge BIOS 持續進行改良和增強功能，以改善伺服器重新開機時出現的記憶體事件訊息、錯誤處理和「自我修復」。如此一來，就不需要排定維護時段或到現場更換記錄錯誤事件的 DDR4 記憶體 DIMM。

具備 DDR4 且執行BIOS 版本 2.1.x 及以上的 PowerEdge 伺服器已實作兩項主要與記憶體相關的「自我修復」BIOS 強化功能。如果發生記憶體事件並記錄到 LifeCycle 記錄中，這些強化功能確實會變更建議採取的步驟或動作。

1.記憶體再訓練強化功能

在開機時執行記憶體再訓練 （在設定記憶體步驟初期），可針對每個 DIMM/插槽最佳化訊號定時和邊界，以提供最佳的存取方式。DIMM 的記憶體訊號時序和邊界特性可能因以下幾個不同原因改變：

• 伺服器記憶體組態變更
• BIOS 變更 (記憶體參考代碼 - MRC)
• 伺服器及/或 DIMM 的不同作業溫度
• DIMM 的一般年限

先前，偵測到的 BIOS 更新或記憶體組態變更，會導致後續開機時發生記憶體再訓練。從 BIOS 2.1.x 開始，已新增可修正及無法修正記憶體錯誤「觸發器」，以供排定再訓練：

Warning - MEM0701 - "Correctable memory error rate exceeded for DIMM_XX."
Critical - MEM0702 - "Correctable memory error rate exceeded for DIMM_XX."
Critical - MEM0005 - "Persistent correctable memory error limit reached for a memory device at location XX."

若上述任一種錯誤記錄在 SEL/生命週期記錄中，就會在排定在下一次重新開機 (暖或冷) 時進行記憶體重新訓練。無論啟動何種功能，BIOS 都會自動強制進行冷重新開機。

Critical - MEM0001 - "Multi-bit memory errors detected on memory device at location DIMM_XX."

如果作業系統無法處理該錯誤，此多位元錯誤可能會導致伺服器重新開機，因為發生嚴重錯誤。在該次開機期間會自動進行記憶體再訓練。如果多位元錯誤發生在作業系統可處理的非關鍵記憶體位置，則必須排定重新開機。

在 POST 期間進行記憶體再訓練，可能會透過最佳化訊號定時和邊界，對故障的 DIMM 及相關插槽「自我修復」。除非在開機期間執行記憶體再訓練失敗 (UEFI0106)，或是相同的錯誤不斷發生，否則不必因為這些錯誤而更換 DIMM。
 

2.封裝後續修復 （PPR）

第二個「自我修復」記憶增強是PPR。PPR 透過停用硬體層的位置或地址來修復故障的記憶體位置，改為使用備用的記憶體列。可用的備援記憶體列數取決於 DRAM 裝置和 DIMM 大小。

在此之前，此功能僅限於製造流程使用。如同之前提到的記憶體再訓練強化功能，特定可修正的記憶體錯誤，會導致特定的 DIMM 插槽排定在下次重新開機 （熱或冷） 時執行 PPR。無論啟動何種功能，BIOS 都會自動強制進行冷重新開機。由於在特定的 DIMM 插槽上排定進行 PPR 作業，在執行 PPR 作業之前，請勿變更 DIMM 插槽位置。錯誤範例如下：

Warning - MEM0701- "Correctable memory error rate exceeded for DIMM_XX."
Critical - MEM0702 - "Correctable memory error rate exceeded for DIMM_XX."
Critical - MEM0005 - "Persistent correctable memory error limit reached for a memory device at location XX."

記錄中的任何這些事件，都會導致在設定記憶體階段初期，將 PPR 排定在下一次重新開機 （暖或冷） 時進行。

重新開機後，請確認已成功執行 PPR 作業。成功的 PPR 作業範例會類似：

MEM9060 - "The Post Package Repair operation is successfully completed on the Dual In-line Memory Module (DIMM) device that was failing earlier."

UEFI0278 - "Unable to complete the Post Package Repair (PPR) operation because of an issue in the DIMM memory slot X."

新發佈的白皮書 （1.0 版） 說明了 Dell PowerEdge 伺服器記憶體相關的可靠性、可用性及檢修性 （RAS） 功能，其中說明了 PowerEdge 伺服器上可用的各種 RAS 特性與功能 - 記憶體錯誤和 Dell EMC PowerEdge YX4X 伺服器記憶體 RAS 功能。

2020 年 4 月 24 日更新

Dell 持續強化我們的「自我修復」功能。下節列出不同 BIOS 版本的相關更新與增強功能。

BIOS 2.1.x - 發佈從 BIOS 2.1.6 及更新版本開始的「自我修復」功能初始文章，包括範例錯誤訊息以及建議動作。

BIOS 2.4.x 和更新變更 (2019 年 12 月)

• MEM0702 (可修正錯誤率超過上限...) - 訊息從嚴重更新為警告。將建議的動作更新為重新開機伺服器，以使「自我修復」運行 - 例如封裝後續修復。
  • 需要安裝 2019 年或更新的 iDRAC，才能收到更新訊息
  • 建議動作：重新開機伺服器以使 PPR 執行
• MEM9060 - 更新訊息說明，表示已成功完成「自我修復」

BIOS 2.5.x 和更新變更 (2020 年 2 月)

• 新增「可修正的錯誤記錄」BIOS 選項，讓客戶停用所有與可修正錯誤相關的 LifeCycle/SEL 記錄。所有「自我修復」功能仍會持續運作 - 例如，PPR 和記憶體再訓練仍會在排定下次重新開機時執行 （在設定記憶體程序初期）。
• 新增 RDIMM 和 LRDIMM 的 MEM08xx 錯誤，取代現有的錯誤訊息和動作。現有錯誤訊息仍會用於不支援「自我修復」功能的平台。
  • 需要 2020 年 2 月或更新的 iDRAC，才能記錄新訊息。

• MEM0802 - 取代 MEM0702 - 可修正錯誤率超過上限
  • 建議動作：重新開機伺服器以使 PPR 執行。確認 PPR 成功 (MEM0802)
• MEM0804 - 取代 MEM9060 表示 PPR 已成功執行。現在包含執行 PPR 的 DIMM 插槽位置
  • 建議動作：無。此事件表示已執行「自我修復」，不需要更換 DIMM。
• MEM0805 - 取代 UEFI0278，表示 PPR 失敗
  • 建議動作：更換故障的 DIMM

2020 年 7 月 10 日更新

BIOS 2.7.x 和更新版本變更 (2020 年 7 月區塊 BIOS - 預期在 7 月中旬於網路發佈)

• MEM8000 （已停用可修正錯誤紀錄） - 從 BIOS ~2.0.x 開始，Dell 工程部門進行了 BIOS 變更，以強化可修正錯誤的偵測速率，這可能會影響效能。此變更導致 DIMM 故障分析結果無法證實的MEM8000事件增加。從 BIOS 2.7.x 開始，有兩個與 MEM8000 相關的變更。首先是修改了MEM8000事件的信令。第二個是 BIOS 會排程在下次重新開機時執行自我修復 (PPR)。iDRAC 訊息尚未更新以反映新動作。
  • 建議動作：重新開機伺服器以使自我修復功能/PPR 執行。確認 PPR 成功 (MEM0804)。
• MEM0001 （無法修正的錯誤） - 導致自我修復 （PPR） 排程在下次重新開機時執行。iDRAC 訊息尚未更新以反映新動作。
  • 建議動作：如果 MEM0001 與作業系統無法復原的關鍵頁面相關聯，則不需要採取任何動作，這仍是會導致重新開機的嚴重錯誤。如果 MEM0001 與作業系統可還原的非關鍵頁面相關聯，則必須排定重新開機以執行所有自我修復 (PPR)。確認 PPR 成功 (MEM0804)。

2021 年 1 月 13 日更新

BIOS 2.8.2 和更新版本變更 (2020 年 9 月區塊 BIOS)

• MEM9072 （記憶體巡邏清除程序所識別的不可修正錯誤 - 頁面未使用或正在使用中） - 導致自我修復 （PPR） 排程在下次重新開機時執行。  iDRAC 訊息尚未更新以反映新動作。
  • 建議動作：儘快安排重新開機。延遲重新開機可能會導致頁面耗用，出現可能導致重新開機的 MEM0001 錯誤。  在重新開機期間執行記憶體自我修復 (PPR)。確認 PPR 成功 (MEM0804)。

還有其他正在評估的 RAS 功能強化，以納入未來的 BIOS 更新中。

當有新資訊可用時，本文將會更新。

另請參閱：透過交換測試故障診斷記憶體的指南 - 透過交換測試

故障診斷 PowerEdge 系統上的記憶體錯誤下載與驅動程式：驅動程式與下載 |Dell US