ECC Chipkill错误：哪个DIMM？

我们经常使服务器中的DIMM损坏，并在syslog中出现以下错误：

5月7日09:15:31 nolcgi303内核：EDAC k8 MC0：通用总线错误：参与处理器（本地节点响应），超时（无超时），内存事务类型（通用读取），mem或i / o（mem访问） ，缓存级别（通用）
5月7日09:15:31 nolcgi303内核：MC0：CE页面0xa0，偏移量0x40，纹理8，校正子0xb50d，第2行，通道0，标签“”：k8_edac
5月7日09:15:31 nolcgi303内核：MC0：CE-无可用信息：k8_edac错误溢出设置
5月7日09:15:31 nolcgi303内核：EDAC k8 MC0：扩展错误代码：ECC chipkill x4错误

我们可以使用HP SmartStart CD来确定哪个DIMM出现错误，但这需要使服务器停产。在服务器启动时，有什么巧妙的方法可以解决哪个DIMM出现故障吗？我们所有的服务器都是运行RHEL 5的HP硬件。

除了使用EDAC代码外，您还可以仅在计算机联机时使用CLI的HP实用程序来确定此问题。cli版本比基于Web的版本轻得多，并且不需要您打开端口或守护程序不断运行。

hpasmcli将为您提供故障模块的墨盒和模块号。比分析EDAC快一点。

例：

hpasmcli -s "show dimm"

DIMM Configuration
------------------
Cartridge #: 0
Module #: 1
Present: Yes
Form Factor: 9h
Memory Type: 13h
Size: 1024 MB
Speed: 667 MHz
Status: Ok

Cartridge #: 0
Module #: 2
Present: Yes
Form Factor: 9h
Memory Type: 13h
Size: 1024 MB
Speed: 667 MHz
Status: Ok

Cartridge #: 0
Module #: 3
Present: Yes
Form Factor: 9h
Memory Type: 13h
Size: 1024 MB
Speed: 667 MHz
Status: Ok

Cartridge #: 0
Module #: 4
Present: Yes
Form Factor: 9h
Memory Type: 13h
Size: 1024 MB
Speed: 667 MHz
Status: Ok

故障模块的状态将更改。

MC0，第2行和通道0很重要。尝试更换CPU0上的DIMMA1。

举例来说，我必须在Linux服务器中找出一个坏的DIMM，该服务器具有16个完全填充的DIMM插槽和两个CPU。这些是我在控制台上看到的错误：

EDAC k8 MC1: general bus error: participating processor(local node origin), time-out(no timeout) memory transaction type(generic read), mem or i/o(mem access), cache level(generic)
EDAC MC1: CE page 0x103ca78, offset 0xf88, grain 8, syndrome 0x9f65, row 1, channel 0, label "": k8_edac
EDAC MC1: CE - no information available: k8_edac Error Overflow set
EDAC k8 MC1: extended error code: ECC chipkill x4 error

我服务器中的DIMM错误是CPU1上的DIMMA0。

EDAC代表错误检测和纠正，并在http://www.kernel.org/doc/Documentation/edac.txt和/usr/share/doc/kernel-doc-2.6*/Documentation/drivers/edac/edac中进行了记录我的系统（RHEL5）上的.txt。CE代表“可纠正的错误”，并且如文档所示，“ CE提供DIMM即将失效的早期迹象。”

回到上面在服务器控制台上看到的EDAC错误，MC1（内存控制器1）表示CPU1，在Linux EDAC文档中将行1称为csrow1（芯片选择行1），通道0表示内存通道0我检查了http://www.kernel.org/doc/Documentation/edac.txt上的图表，发现csrow1和Channel 0对应于DIMM_A0（我系统上的DIMMA0）：

            Channel 0       Channel 1
    ===================================
    csrow0  | DIMM_A0       | DIMM_B0 |
    csrow1  | DIMM_A0       | DIMM_B0 |
    ===================================

    ===================================
    csrow2  | DIMM_A1       | DIMM_B1 |
    csrow3  | DIMM_A1       | DIMM_B1 |
    ===================================

（作为另一个示例，如果我在MC0，csrow4和通道1上看到错误，则应该更换CPU0上的DIMMB2。）

当然，我的服务器上实际上有两个DIMM插槽，称为DIMMA0（每个CPU一个），但是MC1错误再次对应于CPU1，它在dmidecode输出中的“ Bank Locator”下列出：

[root@rce-8 ~]# dmidecode -t memory | grep DIMMA0 -B9 -A8
Handle 0x002E, DMI type 17, 27 bytes.
Memory Device
        Array Handle: 0x002B
        Error Information Handle: Not Provided
        Total Width: 72 bits
        Data Width: 64 bits
        Size: 4096 MB
        Form Factor: DIMM
        Set: None
        Locator: DIMMA0
        Bank Locator: CPU0
        Type: DDR2
        Type Detail: Synchronous
        Speed: 533 MHz (1.9 ns)
        Manufacturer:  
        Serial Number:  
        Asset Tag:  
        Part Number:  
--
Handle 0x003E, DMI type 17, 27 bytes.
Memory Device
        Array Handle: 0x002B
        Error Information Handle: Not Provided
        Total Width: 72 bits
        Data Width: 64 bits
        Size: 4096 MB
        Form Factor: DIMM
        Set: None
        Locator: DIMMA0
        Bank Locator: CPU1
        Type: DDR2
        Type Detail: Synchronous
        Speed: 533 MHz (1.9 ns)
        Manufacturer:  
        Serial Number:  
        Asset Tag:  
        Part Number:

（在我的工作站上，dmidecode实际上显示了我的DIMM的部件号和序列号，这非常有用。）

除了查看控制台和日志中的错误外，您还可以通过检查/ sys / devices / system / edac来查看每个MC / CPU，行/ csrow和通道的错误。在我的情况下，错误仅发生在MC1，csrow1，通道0：

[root@rce-8 ~]# grep "[0-9]" /sys/devices/system/edac/mc/mc*/csrow*/ch*_ce_count
/sys/devices/system/edac/mc/mc0/csrow0/ch0_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow0/ch1_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow1/ch0_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow1/ch1_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow2/ch0_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow2/ch1_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow3/ch0_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow3/ch1_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow4/ch0_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow4/ch1_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow5/ch0_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow5/ch1_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow6/ch0_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow6/ch1_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow7/ch0_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow7/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow0/ch0_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow0/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow1/ch0_ce_count:6941652
/sys/devices/system/edac/mc/mc1/csrow1/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow2/ch0_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow2/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow3/ch0_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow3/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow4/ch0_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow4/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow5/ch0_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow5/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow6/ch0_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow6/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow7/ch0_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow7/ch1_ce_count:0

我希望该示例对任何试图基于EDAC错误识别出错误的DIMM的人有所帮助。有关更多信息，我强烈建议阅读http://www.kernel.org/doc/Documentation/edac.txt上的所有Linux EDAC文档。