मैं MCE संदेशों की व्याख्या कैसे करूं?

Question

मैंने उन त्रुटियों का एक गुच्छा देखा है जो अभी हाल ही /var/log/messagesमें हमारे एक सर्वर (नीचे) में दिखाई दिए। हालाँकि, scelog में डिकोड की गई प्रविष्टियों की तुलना में क्लाइंट क्लाइंट त्रुटि स्रोत से कम निश्चित है। क्या MCE आउटपुट की व्याख्या करने के लिए किसी प्रकार की कुंजी का उपयोग करना है?

Nov 12 04:19:19 areion kernel: [14698753.176035] Machine check events logged
Nov 12 04:19:19 areion mcelog: HARDWARE ERROR. This is *NOT* a software problem!
Nov 12 04:19:19 areion mcelog: Please contact your hardware vendor
Nov 12 04:19:19 areion mcelog: MCE 0
Nov 12 04:19:19 areion mcelog: CPU 0 BANK 8
Nov 12 04:19:19 areion mcelog: MISC 640738dd0009159c ADDR 96236c6c0
Nov 12 04:19:19 areion mcelog: TIME 1352711959 Mon Nov 12 04:19:19 2012
Nov 12 04:19:19 areion mcelog: MCG status:
Nov 12 04:19:19 areion mcelog: MCi status:
Nov 12 04:19:19 areion mcelog: MCi_MISC register valid
Nov 12 04:19:19 areion mcelog: MCi_ADDR register valid
Nov 12 04:19:19 areion mcelog: MCA: MEMORY CONTROLLER RD_CHANNELunspecified_ERR
Nov 12 04:19:19 areion mcelog: Transaction: Memory read error
Nov 12 04:19:19 areion mcelog: STATUS 8c0000400001009f MCGSTATUS 0
Nov 12 04:19:19 areion mcelog: MCGCAP 1c09 APICID 20 SOCKETID 1
Nov 12 04:19:19 areion mcelog: CPUID Vendor Intel Family 6 Model 44

सभी त्रुटियां एक ही मेमोरी बैंक से जुड़ी हुई लगती हैं:

areion:~# awk -F'mcelog:' '/mcelog:.*BANK/{ print $2; }' < /var/log/messages |uniq
 CPU 0 BANK 8 

मेरे पास mcelog डेमॉन चल रहा है, और जब मैं त्रुटि की जानकारी के लिए जाँच करता हूं, तो यह पता नहीं लगता है कि त्रुटियाँ कहाँ से आ रही हैं। केवल वे CPU0ही इस बॉक्स से जुड़े हुए हैं (हमारे पास केवल एक सीपीयू है):

Memory errors
SOCKET 1 CHANNEL any DIMM any
corrected memory errors:
        77 total
        77 in 24h
uncorrected memory errors:
        0 total
        0 in 24h
Per page corrected memory statistics:
359ffc000: total 2 2 in 24h online

3b93cc000: total 2 2 in 24h online

3ce45c000: total 2 2 in 24h online

96236c000: total 20 20 in 24h online triggered

96545c000: total 9 9 in 24h online

96a82c000: total 9 9 in 24h online

96a8ec000: total 1 1 in 24h online

96fb6c000: total 15 15 in 24h online triggered

9c2edc000: total 15 15 in 24h online triggered

9c5eac000: total 1 1 in 24h online

9c6a1c000: total 1 1 in 24h online

यह बिल्कुल स्पष्ट नहीं है कि मैं इस जानकारी की व्याख्या कैसे कर रहा हूं। एक तरफ, ग्राहक क्लाइंट चैनल या DIMM को इंगित नहीं करता है, लेकिन डीकोड किया गया संदेश DIMM 8 पर होने वाली त्रुटियों dmesgको इंगित करता है । ऐसा लगता है कि केवल 42 संदेश लॉग किए गए थे:

[14698753.176035] Machine check events logged
[14698753.629174] Machine check events logged
[14698815.338595] __ratelimit: 38 callbacks suppressed
[14698815.338628] Machine check events logged
[14698816.020797] Machine check events logged

मुझे मिश्रित संदेश मिल रहे हैं, जो मुझे आश्चर्यचकित करता है कि विभिन्न स्रोतों से रिपोर्ट की गई जानकारी के आधार पर क्या धारणाएं हैं।

विविध जानकारी:

areion:~# grep 'model name' /proc/cpuinfo |uniq
model name      : Intel(R) Xeon(R) CPU           X5670  @ 2.93GHz

areion:~# apt-cache policy mcelog |grep Installed
  Installed: 1.0~pre3-3

areion:~# lsb_release -a
No LSB modules are available.
Distributor ID: Debian
Description:    Debian GNU/Linux 6.0.6 (squeeze)
Release:        6.0.6
Codename:       squeeze

Answer 1

आप DIMM को प्रश्न (CPU 0, SOCKET 8) में बदलने का प्रयास करना पसंद कर सकते हैं और यह देख सकते हैं कि क्या MCE संदेश उत्पन्न होना जारी है।

Mcelog पैकेज समय के साथ होने वाली विभिन्न MCE घटनाओं के लिए कुछ डिफ़ॉल्ट थ्रेसहोल्ड के साथ कॉन्फ़िगर किया गया है। /etc/mcelog/mcelog.confविवरण के लिए बाहर की जाँच करें । स्मृति पृष्ठ त्रुटियों के लिए दहलीज 24 घंटे में 10 घटनाओं है। (मुझे वास्तव में यकीन नहीं है कि यह संख्या कहाँ से आती है लेकिन यह शायद एक उचित संदर्भ बिंदु है)। आपकी पोस्ट में पन्नों के पूरे समूह के खिलाफ 24 घंटों में 77 सुधारात्मक घटनाओं का उल्लेख है, इसलिए यह बहुत संभावना है कि डीआईएमएम ने एक समस्या विकसित की है जो कुछ और अधिक गंभीर में बदल सकती है या नहीं।

मैं विभिन्न स्रोतों से असंगत जानकारी प्राप्त करने के बारे में बहुत परेशान नहीं होगा। सामान्य तौर पर मैंने पाया है कि फर्मवेयर के स्तर पर कुछ भी बहुत विशिष्ट है (यानी विशेष रूप से विशेष हार्डवेयर मॉडल के लिए)। फर्मवेयर से संबंधित समस्याओं के लिए अंगूठे का मेरा नियम है कि विक्रेता उपकरण आमतौर पर सबसे सटीक होते हैं, लेकिन कम से कम उपयोग करने योग्य होते हैं। अधिक सामान्य ओपन सोर्स टूल के साथ काम करना आसान है, लेकिन वास्तव में यह दिखाने के लिए पर्याप्त जानकारी प्रदान नहीं कर सकता है कि क्या चल रहा है।