PowerEdge: Vad är DDR4 Självläkande med Intel Xeon skalbara processorer?

Det pågår förbättringar av Dell PowerEdge BIOS för att förbättra minneshändelsemeddelanden, felhantering och "självläkning" som sker vid omstart av en server. Detta förhindrar behovet av ett schemalagt underhållsfönster eller närvaro på plats för att byta ut en DDR4-minnes-DIMM som loggade felhändelser.

Det finns två huvudsakliga minnesrelaterade "självläkande" BIOS-förbättringar som har implementerats för PowerEdge-servrar med DDR4 som kör BIOS-version 2.1.x och senare. Dessa förbättringar ändrar de rekommenderade stegen eller åtgärderna som ska vidtas om minneshändelser inträffar och loggas i livscykelloggen.

1. Förbättringar av återinlärning

Återinlärning som sker under start (tidigt i stegen för att konfigurera minne) optimerar signaltiden och margineringen för varje DIMM/kortplats för bästa åtkomst. Minnessignalens tidpunkt och margineringsegenskaperna hos en DIMM kan ändras med tiden av flera olika orsaker:

• Ändringar i serverns minneskonfiguration
• BIOS-ändringar (minnesreferenskod – MRC)
• Olika driftstemperaturer för servern eller DIMM-modulen
• Allmän ålder på DIMM

Tidigare resulterade BIOS-uppdateringar eller minneskonfigurationer som upptäcktes i att en återinlärning uppstod vid efterföljande start. Genom att starta med BIOS 2.1.x har ytterligare korrigerbara och icke-korrigerbara utlösare för minnesfel lagts till för schemalagd återinlärning:

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."

Alla dessa fel som loggas i SEL- eller livscykelloggarna resulterar i att återinlärningen schemaläggs för nästa omstart (varm eller kall). BIOS tvingar automatiskt fram en kall omstart oavsett vad som startas.

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

Det här flerbitsfelet kan leda till att servern startas om på grund av ett allvarligt fel om operativsystemet inte kan hantera det felet. En återinlärning sker automatiskt under starten. Om flerbitarsfelet uppstår på en icke-kritisk minnesplats som operativsystemet kan hantera måste en omstart schemaläggas.

Återinlärning under POST kan "självläka" felaktig DIMM och tillhörande kortplats genom att optimera signaltiden och margineringen. Det är inte nödvändigt att byta DIMM på grund av dessa fel såvida inte återinlärningen misslyckas (UEFI0106) under start eller samma fel inträffar igen.
 

2. Reparation efter paket (PPR)

Den andra "självläkande" minnesförbättringen är PPR. PPR reparerar en felaktig minnesplats genom att inaktivera platsen eller adressen i hårdvarulagret, vilket gör att en extra minnesrad kan användas i stället. Exakt antal tillgängliga rader med extra minne beror på DRAM-enheten och DIMM-storleken.

Tidigare var den här funktionen begränsad till tillverkningsprocessen. Precis som med förbättringarna av återinlärning som nämnts tidigare finns det vissa korrigerbara minnesfel som leder till att PPR schemaläggs på en specifik DIMM-kortplats för nästa omstart (varm eller kall). BIOS tvingar automatiskt fram en kall omstart oavsett vad som startas. Eftersom PPR-åtgärden schemaläggs för en viss DIMM-kortplats ska du INTEbyta DIMM-kortplats förrän PPR-åtgärden slutförts. Exempel på fel är:

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."

Alla dessa händelser i loggarna resulterar i att PPR schemaläggs för nästa omstart (varm eller kall) tidigt i konfigureringsfasen

Efter omstart ska du kontrollera att PPR-åtgärden slutfördes som den ska. Ett exempel på en lyckad PPR-operation ser ut ungefär så här:

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

En DIMM-ersättning för dessa korrigerbara minnesfel är inte nödvändig om inte PPR-åtgärden genomförs. Ett exempel på ett misslyckat kritiskt PPR-meddelande är:

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

Ett nyligen publicerat informationsdokument (version 1.0) som beskriver Dell PowerEdge-servrarnas minnesrelaterade funktioner för pålitlighet, tillgänglighet och servicemöjligheter (RAS) finns nu tillgängligt med en beskrivning av de olika RAS-funktionerna som är tillgängliga på PowerEdge-servrarna – minnesfel och Dell PowerEdge YX4X serverminnets RAS-funktioner.

Uppdaterad 24 april 2020

Dell fortsätter att förbättra våra "självläkande" funktioner. I följande avsnitt beskrivs de uppdateringar och förbättringar som är kopplade till de olika BIOS-versionerna.

BIOS 2.1.x – Inledande publicering av de "självåterställande" funktionerna som är tillgängliga från och med BIOS 2.1.6 och senare, inklusive exempel på felmeddelanden och rekommenderade åtgärder.

BIOS 2.4.x och senare ändringar (december 2019)

• MEM0702 (Correctable error rate exceeded...) – Meddelandet har uppdaterats från kritisk till varning. Med rekommenderade åtgärder uppdaterade för att starta om servern så att "självläkning" kan ske – till exempel efter paketreparation.
  • iDRAC från december 2019 eller senare ska också installeras för att få det uppdaterade meddelandet
  • Rekommenderad åtgärd: Starta om servern så att PPR kan köras
• MEM9060 – Meddelandebeskrivningen har uppdaterats för att indikera att "självläkning" har slutförts

BIOS 2.5.x och senare ändringar (februari 2020)

• Ett BIOS-alternativ för "korrigerbar felloggning" har lagts till så att kunderna kan inaktivera all livscykel- eller SEL-loggning relaterad till korrigerbara fel. Alla "självåterställande" funktioner fortsätter att fungera – till exempel är PPR och återinlärning fortfarande schemalagda och körs under nästa omstart (tidigt i processen för att konfigurera minne).
• Tillägg av MEM08xx-fel för RDIMM- och LRDIMM-moduler som ersätter befintliga felmeddelanden och åtgärder. Befintliga felmeddelanden används fortfarande för plattformar som inte har stöd för funktionerna för självåterställning.
  • iDRAC från februari 2020 eller senare krävs för att de nya meddelandena ska loggas.

• MEM0802 – Ersatt MEM0702 – korrigerbar felprocent har överskridits
  • Rekommenderad åtgärd: Starta om servern så att PPR kan köras. Bekräfta att PPR lyckades (MEM0802)
• MEM0804 – Ersattes MEM9060 vilket indikerar att PPR lyckades. Inkluderar nu DIMM-kortplats som körde PPR
  • Rekommenderad åtgärd: Inga, den här händelsen indikerar att "självläkning" har inträffat, inget byte av DIMM behövs.
• MEM0805 – Ersatt UEFI0278 vilket indikerar att PPR misslyckades
  • Rekommenderad åtgärd: Byt ut felaktig DIMM-modul

Uppdaterad 10 juli 2020

BIOS 2.7.x och nyare ändringar (juli 2020 block-BIOS – mål i mitten av juli för webbpublicering)

• MEM8000 (korrigerbar felloggning inaktiverad) – Från och med BIOS ~2.0.x har Dell Engineering gjort en BIOS-ändring för att öka hastigheten för korrigerbar feldetektering som kan påverka prestandan. Den här ändringen resulterade i en ökning av MEM8000 händelser som inte styrktes från resultaten från DIMM-felanalysen. Från och med BIOS 2.7.x finns det två ändringar relaterade till MEM8000. Den första är att signaleringen av den MEM8000 händelsen har ändrats. För det andra schemalägger BIOS självläkning (PPR) för nästa omstart. iDRAC-meddelanden har ännu inte uppdaterats för att återspegla de nya åtgärderna.
  • Rekommenderad åtgärd: Starta om servern så att självläkning/PPR kan köras. Bekräfta att PPR lyckades (MEM0804).
• MEM0001 (icke-korrigerbart fel) – Resulterar i att självåterställning (PPR) schemaläggs för nästa omstart. iDRAC-meddelanden har ännu inte uppdaterats för att återspegla de nya åtgärderna.
  • Rekommenderad åtgärd: Behövs inte om MEM0001 är associerad med en kritisk sida som operativsystemet inte kan återställa – är fortfarande ett allvarligt fel som leder till en omstart. Om MEM0001 är associerad med en icke-kritisk sida som operativsystemet kan återställa från, måste en omstart schemaläggas så att all självåterställning (PPR) ska ske. Bekräfta att PPR lyckades (MEM0804).

UPPDATERAD 13 januari 2021

BIOS 2.8.2 och nyare ändringar (september 2020 blockera BIOS)

• MEM9072 (Okorrigerbart fel identifieras av Memory Patrol Scrub-processen – sidan är inte förbrukad eller används) – resulterar i att självläkning (PPR) schemaläggs för nästa omstart. iDRAC-meddelanden har ännu inte uppdaterats för att återspegla de nya åtgärderna.
  • Rekommenderad åtgärd: Schemalägg en omstart snart. Om omstarten fördröjs kan det leda till att sidan förbrukas, vilket resulterar i ett MEM0001 fel som kan leda till att en omstart sker. Självläkning av minne (PPR) körs under den omstarten. Bekräfta att PPR lyckades (MEM0804).

Det finns ytterligare RAS-funktionsförbättringar som eventuellt kommer att inkluderas i framtida BIOS-uppdateringar.

Den här artikeln uppdateras när ny information blir tillgänglig.


Nedladdningar och drivrutiner: Drivrutiner och hämtningsbara filer