☰

内核消息 + 如何根据内核消息知道是否需要更换 DIMM

tag-icon • tag-icon redhat memory kernel dmesg
内核消息 + 如何根据内核消息知道是否需要更换 DIMM

我们有 RHEL 7.6 服务器，并且我们注意到以下内核消息。

[1065085.048872] EDAC sbridge MC0: PROCESSOR 0:406f1 TIME 1676989040 SOCKET 0 APIC 0
[1065086.052107] EDAC MC1: 0 CE memory read error on CPU_SrcID#1_Ha#0_Chan#0_DIMM#0 (channel:0 slot:0 page:0x2ae958e offset:0xa00 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:1 ha:0 channel_mask:1 rank:0)
[1065166.234239] mce: [Hardware Error]: Machine check events logged

此外，我们查看了 iDRAC，结果如下

在此处输入图片描述

来自链接 -https://www.dell.com/support/kbdoc/en-il/000055500/vxrack-idrac-logs-the-following-event-mem0702-correctable-memory-error-rate-exceeded-for-dimm-bank-slot

我们有以下信息

原因内存可能无法运行。（请参阅解决方案）这是未来可能出现无法纠正的错误的早期指标。

内存错误可能以多种方式显示在系统中，并且可能因系统的使用年限或（系统代数）而异。根据系统固件级别，也可能存在细微差异。错误消息可能出现在开机自检时的 BIOS 消息、iDRAC 日志、OpenManage System Administrator (OMSA) 日志、系统 LCD 显示屏或操作系统中的一个或多个中。

但我不确定我的物理机上的 DIMM 是否需要更换？

其他链接

https://www.dell.com/support/kbdoc/en-il/000177028/edac-errors-in-messages-log-in-redhat-enterprise-linux-rhel-and-poweredge

从我们看到的其他 RHEL 案例来看 -https://access.redhat.com/solutions/6961932

解决方案错误代码 err_code:0101:0091 来自硬件。

操作系统仅在消息日志中检测并报告它们。

目前，错误消息来自 SuperMicro 和 HP 硬件。

建议联系硬件供应商获取更多信息。

所以我很困惑。并且不清楚我们是否需要更换 DIMM 卡。

这是我们从 dmesg 看到的额外内核消息输出

[34226.902474] EDAC sbridge MC0: HANDLING MCE MEMORY ERROR
[34226.902477] EDAC sbridge MC0: CPU 0: Machine Check Event: 0 Bank 1: 940000000000009f
[34226.902479] EDAC sbridge MC0: TSC 41a0d0c2a8a2 
[34226.902482] EDAC sbridge MC0: ADDR 3a2b80a00 
[34226.902484] EDAC sbridge MC0: MISC 0 
[34226.902486] EDAC sbridge MC0: PROCESSOR 0:406f1 TIME 1675958197 SOCKET 0 APIC 0
[34227.566735] EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#1 (channel:1 slot:1 page:0x3a2b80 offset:0xa00 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:4)
[34239.759292] {16}[Hardware Error]: Hardware error from APEI Generic Hardware Error Source: 4
[34239.759297] {16}[Hardware Error]: It has been corrected by h/w and requires no further action
[34239.759299] {16}[Hardware Error]: event severity: corrected
[34239.759301] {16}[Hardware Error]:  Error 0, type: corrected
[34239.759303] {16}[Hardware Error]:  fru_text: A6
[34239.759305] {16}[Hardware Error]:   section_type: memory error
[34239.759307] {16}[Hardware Error]:   error_status: 0x0000000000000400
[34239.759308] {16}[Hardware Error]:   physical_address: 0x00000009df0e0440
[34239.759319] {16}[Hardware Error]:   node: 0 card: 1 module: 1 rank: 0 bank: 3 row: 39911 column: 16 
[34239.759321] {16}[Hardware Error]:   error_type: 2, single-bit ECC
[34239.759331] mce: [Hardware Error]: Machine check events logged
[34239.759351] EDAC sbridge MC0: HANDLING MCE MEMORY ERROR
[34239.759355] EDAC sbridge MC0: CPU 0: Machine Check Event: 0 Bank 1: 940000000000009f
[34239.759357] EDAC sbridge MC0: TSC 41a71a0719df 
[34239.759359] EDAC sbridge MC0: ADDR 9df0e0440 
[34239.759362] EDAC sbridge MC0: MISC 0 
[34239.759364] EDAC sbridge MC0: PROCESSOR 0:406f1 TIME 1675958210 SOCKET 0 APIC 0

答案1

根据 Sun 的一份相当老的文档（针对不同的硬件，但对我来说听起来很合理），如果您每天看到此错误超过两次（对于一个 DIMM），则是时候更换它了。否则，您将面临 ECC 无法成功纠正错误的风险，并且您的数据将遭到破坏。

相关内容