Postup potvrzení a odstraňování chyb DIMM na serveru Cisco řady C

• Rackové servery Cisco řady C (mohou, ale nemusí být spravovány pomocí UCSM)

Příznaky

•  V CIMC nebo UCSM se zobrazí výstrahy, například:

F0184
, F0185
, F0137
, F1236
, F1237

• PSOD – fialová obrazovka smrti (na KVM nebo konzoli hostitele)

Řešení

Shromažďování
 
protokolůPřed odstraněním jakéhokoli problému zachyťte protokoly z dotčeného serveru. Potřebujeme směrný plán, abychom mohli určit úspěšnost kroků odstraňování problémů.

Rackové servery řady C mohou být buď samostatně, nebo spravované pomocí UCSM.  Postup shromáždění a kontroly protokolů se bude mírně lišit v závislosti na tom, o které protokoly se jedná.

• Samostatné.
• Spravuje UCSM – V poli Options vyberte "Rack Mount" namísto "chassis" nebo "ucsm".
• Pokud máte pouze protokoly CIMC, můžete zjistit, že pocházejí ze serveru spravovaného UCSM, protože název souboru bude obsahovat CIMCXXX.  Soubory protokolu budou také v komprimovaném adresáři s názvem Server XX, nikoli přímo v hlavním komprimovaném adresáři.  Pokud se toto zobrazí, budou vyžadovány také protokoly UCSM.

Pokud na serveru došlo k vytvoření PSOD, pořiďte snímek obrazovky PSOD a shromážděte protokoly vSphere/hostitele.

Analýza

protokolů  Hlavní rozdíly mezi protokoly jsou:

• Další informace jsou k dispozici v souboru UCSM sam_techsupport pro servery spravované UCSM.
• Umístění adresářů. (viz poznámka v části Shromažďování protokolů)

Užitečná umístění protokolů v protokolech UCSM a CIMC:

UCSM_X_TechSupport.tar\sam_techsupportinfo

• "show server inventory expand" (potvrzení sériového čísla serveru, vyhledání PID). Příklad:

Server 1:
     Model: UCSC-C220-M4S
     Potvrzovaný sériový port (SN): FCHXXXXXXXXXX
     Uznávaný název produktu: Cisco UCS C220 M4S
     Poznané PID: UCSC-C220-M4S

• "show fault detail" (vyhledání přidružených chyb) – příklad:

Severity: Hlavní
Kód: Katalogové číslo F0844
Čas posledního přechodu: 2017-05-23T12:40:40.774
Popis: DIMM_B2 modulu DIMM na serveru 24 operaState: disabled

• "show server memory detail" (vyhledání dotčeného identifikátoru PID modulu DIMM) – příklad:

Location: DIMM_A1
Název produktu: 16 GB paměti DDR4-2 400 MHz RDIMM / PC4-19200 / single rank / x4 / 1,2 V
PID: UCS-MR-xxxxxxxx-A

Poznámka – většina těchto informací je k dispozici v sam_techsupport pro servery

spravované UCSM. [ServerXX_TechSupport.tar]\tmp\ ServerXX_TechSupport.txt

• Informační oblast šasi

Vyhledejte sériové číslo serveru uvedené jako "Chassis Serial Number". Příklad následovně: 

====================[ informační oblast o šasi]======================
            Číslo dílu šasi: [74-XXXXX-02]
            Sériové číslo šasi: [FCHXXXXXXXXX]

 

• Oblast desky

Vyhledejte PID a sériové číslo základní desky. Příklad následovně: 

========================[ oblast desky]=========================
            Deska Název produktu: [UCSC-C240-Mxxxx]
            Sériové číslo desky: [FCHXXXXXXXX]

 

• Výpis tabulky SMBIOS ZAČÁTEK    

                Vyhledejte číslo dílu DIMM v části Paměťové zařízení\Lokátor dílů. Příklad následovně: 
                Poznámka: Nemusí se jednat o identifikátor PID společnosti Cisco, ale lze jej najít pomocí korelace

Paměťové zařízení
           Lokátor: DIMM_A1
           Číslo dílu: 36ASxxxxxx-2G3B1

  Část Dotazování na všechny snímače IPMI:

Opravitelné a neopravitelné chyby:
Název senzoru | Čtení | Jednotka | Stav | LNR | LC | LNC | UNC | Sjednocená komunikace | UNR    
DDR4_P2_E1_ECC | 63250.000 | Chyba | UNR | Nejsou k dispozici | Nejsou k dispozici | Nejsou k dispozici | Nejsou k dispozici | Nejsou k dispozici | 60250.000 DDR4_P2_E2_ECC | 63750.000 | Chyba | UNR | Nejsou k dispozici | Nejsou k dispozici | Nejsou k dispozici | Nejsou k dispozici | Nejsou k dispozici | 60250.000
DDR4_P2_E3_ECC | 63250.000 | Chyba | UNR | Nejsou k dispozici | Nejsou k dispozici | Nejsou k dispozici | Nejsou k dispozici | Nejsou k dispozici | 60250.000

[ServerXX_TechSupport.tar]\var\log\sel\log

• Zkontrolujte, zda protokoly neobsahují všechny opravitelné či neopravitelné chyby ECC:

Paměťový DDR4_P2_E2_ECC #0xb0 | čtení 512 opravitelných chyb ECC na CPU2 DIMM E2 | Tvrdil

• Zkontrolujte, zda v protokolech nejsou nějaké CATERR_N... Uplatnil | Uplatňované položky, příklad je následující:

03/06/2017 20:02:12 | CIMC | CATERR_N #0x70 procesoru | Uplatňováno prediktivní selhání | Tvrdil

  Poznámka: Očekává se, že dojde k tomu, že CATERR_N zrušeno | Assert v protokolech v době bootování [ServerXX_TechSupport.tar]\var\DIMM-BL_Status.txt

• Najděte opravitelné/neopravitelné počty dotčených modulů DIMM a zkopírujte příslušná pole. Příklad je následující:

================== SOUHRN CHYB MODULŮ DIMM ===================
------- DIMM E2 ----------
  POČET AKTUÁLNÍCH CHYB SLOTU:
      Opravitelné chyby ECC od posledního spuštění serveru : 0
      Kumulativní opravitelný počet chyb ECC: 2560
      Neopravitelné chyby ECC od posledního spuštění serveru : 0
      Kumulativní neopravitelný počet chyb ECC: 3
   PŘEDCHOZÍ POČTY CHYB SLOTU :
      Opravitelný počet chyb ECC: 0
      Neopravitelný počet chyb ECC: 0

[ServerXX_TechSupport.tar]\var\sel_decode.txt

• Hra hrou sel záznamů a závad

eventLogMaxEntries: 1445
eventLogList: 
---
Id: 1440
Závažnosti: Kritické
Datetime: 2017-03-10 00:57:17 
dateTimeOrder: 00005
Popis: "System Software event: Snímač POST, socket DIMM 3, kanál E, socket procesoru 2. Zakázáno z důvodu selhání jiné paměti ve stejném kanálu. [0xE542] bylo uplatněno"

Pro samostatné servery:

• tmp\tech_support.frupids

====== výpis záznamů IPMI FRU ======
Název produktu: UCSC-C220-xxx
Číslo dílu produktu: 74-xxxx-01
Verze produktu: A
 Sériové číslo produktu: FCHxxxxxxxN – sériové číslo serveru

====== PID výpisu zásob katalogu ======
DIMMList: 
Name: DIMM_A1Description: 8 GB paměti DDR3-1 333 MHz RDIMM / PC3-10600 / duální zařazení / 1,35 V
PID: UCS-MR-1X082RX-A – DIMM PID

Následná analýza
Po provedení analýzy se ujistěte, že je servisní požadavek aktualizován o správné sériové číslo dotčeného serveru a že se v databázi vyhledají všechny předchozí RMA přidružené k prošetřovanému blade.  Pokud byl modul DIMM vykazující závady nedávno vyměněn, může jít o podezřelou základní desku.

Přidejte analýzu k servisnímu požadavku.

Logické řešení potíží
 
Jakmile budou chyby identifikovány, pokusíme se je všechny odstranit a sledovat čítače a kartu chyb v UCSM, abychom zjistili, zda přetrvávají.
Přihlaste se k příkazovému řádku serveru.

Vymazání čítačů chyb paměti

Šasi oboru server#
Server /chassis # reset-ECC

Vymažte protokoly systémových událostí pomocí následujících příkazů:

Server# scope sel
Server /sel # clear 
Tato operace vymaže celý sel.
Pokračovat? [y|N]y

 Resetujte protokol CIMC pomocí následujících příkazů:

Obor serveru# cimc
Protokol oboru serveru /cimc #
Server /cimc/log # smazat

Monitorujte prostředí po dobu 48 hodin.
Pokud chyby přetrvávají, zaznamenejte novou sadu protokolů USS a šasi, potvrďte analýzu, zformulujte akční plán na základě důkazů a pokračujte další částí.

Způsobit

• Chyby modulu DIMM jsou obvykle způsobeny vadným modulem DIMM nebo někdy špatnou základní deskou.

Poznámky

• Žádné

Zhlédněte následující video: