我最近读这张纸@codinghorror 发了一条推文，我想知道我怎么知道我的服务器因内存错误而出现故障？特别是，我怎么知道这是一个可纠正的错误还是一个不可纠正的错误，以及它发生在哪个 DIMM 上？
答案1
SNMP 陷阱/消息是主动通知内存/DIMM 错误的最佳选择。HP Systems Insight Manager、HP OpenView 和 Dell OpenManage 等产品提供了多种可配置规则，可将 SNMP 消息转发到电子邮件/短信/寻呼机，以便准确告知何时发生内存错误或性能下降。
答案2
如果您的服务器性能良好，那么它应该具有 BIOS 和 BMC 组合，可以跟踪这些错误并将它们记录在 IPMI 中，以便您可以查看它们。通常，您的服务器会因无法纠正的 ECC 错误而停止运行，BIOS 会在 SMI 中断中接管并将其记录在 BMC 中。然后，它会恢复操作系统的运行，而操作系统除了正常重新启动外没有其他更好的选择（有时可以终止进程并继续运行）。IPMI SEL 日志应该是 ECC 错误的标志。
如果您的服务器没有良好的 BMC/BIOS，您可以求助于使用加载的崩溃内核，主机内核将跳转到该内核，它可以记录完整的堆栈跟踪和 dmesg 日志，以便稍后查看以获取此信息。它将以粗体字母“硬件错误”记录在崩溃内核的 dmesg 中。
答案3
只需使用 memtest！它会告诉您哪个 DIMM 有问题。http://www.memtest86.com/
答案4
检查服务器自身的诊断。由于您没有告诉我们有关服务器的任何信息，因此我无法给出最详细的答案。