有关如何确认 Cisco C 系列服务器上的 DIMM 错误并对其进行故障排除的步骤

• Cisco C系列机架式服务器（可能由UCSM管理，也可能不由UCSM管理）

症状

•  警报将显示在 CIMC 或 UCSM 中，例如：

F0184
F0185
F0137
F1236
F1237

• PSOD — 紫屏死机（在主机的 KVM 或控制台上）

解决 方案

日志收集
 
在执行任何故障处理之前，请从受影响的服务器捕获日志。我们需要一个基线来确定故障处理步骤是否成功。

C系列机架式服务器可以是独立服务器，也可以由UCSM管理。  收集和查看日志的步骤会略有不同，具体视具体情况而定。

• 独立。
• 由 UCSM 管理 — 在“选项”字段中选择 “机架安装” 而不是“机箱”或“ucsm”
• 如果只有CIMC日志，则可以判断它们来自UCSM托管服务器，因为文件名将包含CIMCXXX。  日志文件也将位于名为 Server XX 的压缩目录中，而不是直接位于主压缩目录中。  如果您看到此消息，则还需要UCSM日志。

如果服务器遇到 PSOD，请截取 PSOD 的屏幕截图并收集 vSphere/主机日志。

日志分析

日志之间的主要区别在于

• UCSM托管服务器的UCSM sam_techsupport文件中提供了其他信息
• 目录的位置。（请参阅日志收集下的注释）

UCSM和CIMC日志中的有用日志位置：

UCSM_X_TechSupport.tar\sam_techsupportinfo

• “show server inventory expand”（确认服务器序列号，找到 PID）。示例：

服务器 1：
     型号：UCSC-C220-M4S
     已确认序列号 （SN）：FCHXXXXXXXXXXXX
     已确认的产品名称：思科 UCS C220 M4S
     Acknowledged PID：UCSC-C220-M4S

• “show fault detail”（查找关联的故障）— 示例：

Severity：主要
代码：F0844型
Last Transition Time：2017-05-23T12：40：40.774
描述：服务器 24 上的 DIMM DIMM_B2 operaState： disabled

• “show server memory detail”（查找受影响的 DIMM PID）— 示例：

Location：DIMM_A1
中文名称：16GB DDR4-2400-MHz RDIMM/PC4-19200/单列/x4/1.2V
Pid：UCS-MR-xxxxxxxx-A

注意 - 对于UCSM托管服务器

，sam_techsupport中提供了大多数信息 [ServerXX_TechSupport.tar]\tmp\ ServerXX_TechSupport.txt

• 机箱信息区域

查找作为“机箱序列号”列出的服务器序列号。示例如下： 

====================[机箱信息区域]======================
            机箱部件编号 ：[74-xxxxx-02]
            机箱序列号 ：[FCHXXXXXXXXX]

 

• 板区域

查找主板 PID 和序列号。示例如下： 

========================[ Board Area ]=========================
            主板产品名称 ：[UCSC-C240-Mxxxx]
            主板序列号 ：[FCHXXXXXXXX]

 

• SMBIOS 表转储开始    

                在 Memory Device\Part Locator下查找 DIMM 部件编号。示例如下： 
                注意：这可能不是Cisco PID，但可以关联以查找它

内存设备
           定位：DIMM_A1
           部件号：36ASxxxxxx-2G3B1

  Querying All IPMI Sensors 部分：

可纠正和不可纠正的错误：
传感器名称 |阅读 |单位 |状态 |LNR系列 |液相色谱 |LNC公司 |北卡罗来纳大学 |UC中文 |UNR   
DDR4_P2_E1_ECC |63250.000 |错误 |联合国 |北美 |北美 |北美 |北美 |北美 |60250.000 DDR4_P2_E2_ECC |63750.000 |错误 |联合国 |北美 |北美 |北美 |北美 |北美 |60250.000
DDR4_P2_E3_ECC |63250.000 |错误 |联合国 |北美 |北美 |北美 |北美 |北美 |60250.000

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

• 查看日志中是否存在任何可纠正和不可纠正的 ECC 错误：

内存DDR4_P2_E2_ECC #0xb0 |读取 CPU2 DIMM E2 上的 512 可纠正 ECC 错误 |断言

• 查看日志中是否有任何CATERR_N...已断言 |断言条目，示例如下：

03/06/2017 20：02：12 |中集集团 |处理器CATERR_N #0x70 |断言预测性故障 |断言

  提醒：这是预期行为，CATERR_N取消断言 |启动时在日志中断言[ServerXX_TechSupport.tar]\var\DIMM-BL_Status.txt 

• 查找受影响的 DIMM 的可纠正/不可纠正错误计数并复制相关字段，示例如下所示：

================== =================== DIMM 错误摘要
------- DIMM E2 ----------
  CURRENT SLOT ERROR COUNTS ：
      自上次服务器启动以来可纠正的 ECC 错误：0
      累积可纠正 ECC 错误计数：2560
      自上次服务器启动以来不可纠正的 ECC 错误：0
      累积不可纠正 ECC 错误计数：3
   以前的插槽错误计数：
      可纠正的 ECC 错误计数：0
      不可纠正的 ECC 错误计数：0

[ServerXX_TechSupport.tar]\var\sel_decode.txt

• 按角色条目和故障逐个播放

eventLogMaxEntries：1445
eventLogList： 
---
Id：1440
严重性：关键
Datetime：2017-03-10 00:57:17
dateTimeOrder：00005
描述：“System Software event：Post 传感器、DIMM 插槽 3、通道 E、处理器插槽 2。由于同一通道中的其他内存出现故障而禁用。[0xE542]被断言”

对于独立服务器：

• tmp\tech_support.frupids

======转储 IPMI FRU 记录======
中文名称：UCSC-C220-xxx
产品部件号：74-xxxx-01
产品版本：A
 产品型号：FCHxxxxxxxN — 服务器序列号

======转储资源清册目录 PID ======
DIMMList： 
Name: DIMM_A1Description：8GB DDR3-1333-MHz RDIMM/PC3-10600/双列/1.35v
Pid：UCS-MR-1X082RX-A – DIMM PID

后期分析
执行分析后，确保使用受影响服务器的正确序列号更新服务请求，并在数据库中搜索与正在调查的刀片式服务器关联的任何以前的 RMA。  如果最近更换了显示故障的 DIMM，则主板可能存在问题。

将您的分析添加到服务请求。

逻辑故障处理
 
识别错误后，我们将尝试清除所有错误，并在 UCSM 中监视计数器和故障选项卡，以查看它们是否仍然存在。
登录到 Server 命令行。

清除内存错误计数器

server# scope chassis
服务器/机箱 # reset-ecc

使用以下命令清除系统事件日志：

Server# scope sel
服务器 /sel # clear
此操作将清除整个 sel。
继续？[y|N]y

 使用以下命令重置CIMC日志：

Server# scope cimc
服务器 /cimc # scope log
服务器 /cimc/log # clear

监视环境 48 小时。
如果错误仍然存在，请捕获一组全新的 UCS 和机箱日志，确认分析，根据证据制定行动计划，然后继续执行下一部分。

原因

• DIMM 错误通常是由 DIMM 故障引起的，有时是由主板损坏引起的

说明

• 无

请参阅此视频：