PowerEdge: Qué es la autorreparación de DDR4 con procesadores escalables Intel Xeon

Hay mejoras continuas en el BIOS de Dell PowerEdge para mejorar la mensajería de eventos de memoria, el manejo de errores y la “autorreparación” que se producen tras el reinicio del servidor. Esto evita la necesidad de un período de mantenimiento programado o la presencia en el sitio para reemplazar un DIMM de memoria DDR4 que estaba registrando eventos de error.

Hay dos mejoras principales del BIOS de “autorreparación” relacionadas con la memoria que se implementaron para los servidores PowerEdge con DDR4 que ejecutan la versión 2.1.x del BIOS y posteriores. Estas mejoras realizan cambios en los pasos o acciones recomendados que se deben tomar si se producen eventos de memoria y se registran en el registro de LifeCycle.

1. Mejoras en el reentrenamiento de memoria

El reentrenamiento de memoria, que se produce durante el arranque (al principio de los pasos de configuración de memoria), optimiza la temporización y el establecimiento de márgenes de la señal para cada módulo DIMM o ranura a fin de obtener el mejor acceso. Las características de temporización y establecimiento de márgenes de la señal de memoria de un DIMM pueden cambiar con el tiempo por varias razones diferentes:

• Cambios en la configuración de la memoria del servidor
• Cambios en el BIOS (código de referencia de memoria: MRC)
• Diferentes temperaturas de funcionamiento del servidor o del módulo DIMM
• La antigüedad general del módulo DIMM

Anteriormente, las actualizaciones del BIOS o los cambios de configuración de la memoria que se detectaran habrían provocado un reentrenamiento de la memoria durante el arranque posterior. A partir del BIOS 2.1.x, se agregaron “activadores” de errores de memoria que se pueden corregir y que no se pueden corregir para el reentrenamiento programado:

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."

Si se registra cualquiera de estos errores en los registros de SEL o Lifecycle, se programa una readaptación de la memoria para el próximo reinicio (en caliente o en frío). El BIOS forzará automáticamente un reinicio en frío independientemente de lo que se inicie.

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

Este error de bits múltiples puede provocar que el servidor se reinicie debido a un error irrecuperable si el sistema operativo no puede manejar ese error. El reentrenamiento de la memoria se produce automáticamente durante ese arranque. Si el error de bits múltiples se produce en una ubicación de memoria no crítica que ese sistema operativo puede manejar, se debe programar un reinicio.

La readaptación de la memoria durante la POST puede “autorreparar” el DIMM defectuoso y la ranura asociada mediante la optimización de la temporización y establecimiento de márgenes de la señal. No es necesario sustituir el módulo DIMM por estos errores, a menos que el reentrenamiento de la memoria falle (UEFI0106) durante el arranque o que se sigan produciendo estos mismos errores.
 

2. Reparación Post-Package (PPR)

La segunda mejora de la memoria de “autorreparación” es la PPR. La PPR repara una ubicación de memoria que falla mediante la desactivación de la ubicación o dirección en la capa de hardware, lo que permite utilizar una fila de memoria de reserva en su lugar. La cantidad exacta de filas de memoria de reserva disponible depende del dispositivo DRAM y del tamaño del módulo DIMM.

Anteriormente, esta funcionalidad se limitaba al proceso de fabricación. Al igual que con las mejoras de reentrenamiento de memoria mencionadas anteriormente, hay algunos errores de memoria que se pueden corregir, lo que provocará que la PPR se programe en una ranura DIMM específica para el próximo reinicio (reinicio flexible o en frío). El BIOS forzará automáticamente un reinicio en frío independientemente de lo que se inicie. Dado que la operación de PPR se programa en una ranura DIMM específica, NO cambie las ubicaciones de las ranuras DIMM hasta que se haya ejecutado la operación de PPR. Los siguientes son algunos ejemplos de los errores:

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."

Cualquiera de estos eventos en los registros hace que se programe la PPR para el próximo reinicio (en caliente o en frío) al principio de la fase de configuración de la memoria

Después del reinicio, compruebe que la operación de la PPR se haya ejecutado correctamente. Un ejemplo de una operación de la PPR exitosa será similar a lo siguiente:

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

No es necesario un reemplazo del módulo DIMM para estos errores de memoria corregibles, a menos que la operación de la PPR. Un ejemplo de un mensaje de PPR fallida crítico es el siguiente:

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

Ahora se encuentra disponible una documentación técnica (versión 1.0) recientemente publicada que describe las características de confiabilidad, disponibilidad y facilidad de reparación (RAS) de servidores Dell PowerEdge, en la que se describen las diversas características y funcionalidades de RAS disponibles en los servidores PowerEdge: Errores de memoria y funciones RAS de memoria de servidor Dell PowerEdge YX4X.

Actualizado el 24 de abril de 2020

Dell continúa mejorando y expandiendo sus funcionalidades de “autorreparación”. En la siguiente sección, se enumeran las actualizaciones y mejoras asociadas con las diferentes versiones del BIOS.

BIOS 2.1.x: publicación inicial del artículo de las funcionalidades de “autorreparación” disponibles a partir del BIOS 2.1.6 y versiones posteriores, incluidos ejemplos de mensajes de error y acciones recomendadas.

BIOS 2.4.x y cambios más recientes (diciembre de 219)

• MEM0702 (se superó la tasa de errores corregibles): mensaje actualizado de crítico a precaución. Con las acciones recomendadas actualizadas para reiniciar el servidor y permitir que se produzca la “autorreparación”, es decir, reparación Post-Package.
  • Requiere que esté instalada la versión de diciembre del 2019 o una más reciente de iDRAC para obtener el mensaje actualizado
  • Acción recomendada: Reinicie el servidor para permitir que se ejecute PPR
• MEM9060: se actualizó la descripción del mensaje para indicar que la "autorreparación" se completó con éxito

BIOS 2.5.x y cambios más recientes (febrero del 2020)

• Se agregó una opción de BIOS "Registro de errores corregibles" para permitir que los clientes deshabiliten todos los registros de Lifecycle o SEL relacionados con errores corregibles. Todas las características de "autorreparación" continúan funcionando; por ejemplo, PPR y el reentrenamiento de la memoria aún están programados y se ejecutan durante el próximo reinicio (al principio del proceso de configuración de la memoria).
• Adición de errores MEM08xx para RDIMM y LRDIMM que reemplazan los mensajes de error y las acciones existentes. Los mensajes de error existentes se siguen utilizando para plataformas que no soportan las funcionalidades de "autorreparación".
  • Se requiere la versión de febrero del 2020 o más reciente de iDRAC para que se registren los nuevos mensajes.

• MEM0802: reemplazó a MEM0702, se superó la tasa de errores corregibles.
  • Acción recomendada: Reinicie el servidor para permitir la ejecución de PPR. Confirme que la PPR se haya realizado con éxito (MEM0802).
• MEM0804: reemplazó a MEM9060 que indica que la PPR fue exitosa. Ahora incluye las ubicaciones de las ranuras DIMM que ejecutaron la PPR.
  • Acción recomendada: Ninguna, este evento indica que se produjo una "autorreparación", no se necesita un reemplazo de DIMM.
• MEM0805: reemplazó a UEFI0278 indicando que la PPR falló
  • Acción recomendada: Reemplazar el DIMM que falla

Actualizado el 10 de julio del 2020

El BIOS 2.7.x y los cambios más recientes (julio de 2020 bloquea el BIOS, prevista para su publicación web a mediados de julio)

• MEM8000 (registro de errores corregible deshabilitado): a partir de BIOS ~2.0.x, el equipo de ingeniería de Dell realizó un cambio en el BIOS para mejorar la tasa de detección de errores corregibles que pueden afectar el rendimiento. Este cambio dio como resultado un aumento en los eventos de MEM8000 que no se respaldaron por los resultados del análisis de fallas del DIMM. A partir del BIOS 2.7.x, hay dos cambios relacionados con MEM8000. El primero es que la señalización del evento MEM8000 se modificó. En segundo lugar, el BIOS programa la autorreparación (PPR) para el próximo reinicio. Los mensajes de iDRAC aún no se actualizan para reflejar las nuevas acciones.
  • Acción recomendada: Reinicie el servidor para permitir la ejecución de la autorreparación/PPR. Confirme que PPR se haya realizado con éxito (MEM0804).
• MEM0001 (error incorregible): da como resultado una autorreparación (PPR) que se programará para el próximo reinicio. Los mensajes de iDRAC aún no se actualizan para reflejar las nuevas acciones.
  • Acción recomendada: No se necesita ninguna si MEM0001 está asociado a una página crítica que el sistema operativo no puede recuperar; sigue siendo un error irrecuperable que provoca un reinicio. Si MEM0001 está asociado a una página no crítica desde la que el sistema operativo puede recuperarse, se debe programar un reinicio para que se produzcan todas las autorreparaciones (PPR). Confirme que PPR se haya realizado con éxito (MEM0804).

ACTUALIZADO el 13 de enero del 2021

BIOS 2.8.2 y cambios más recientes (septiembre de 2020 bloquea el BIOS)

• MEM9072 (error no corregible identificado por el proceso de limpieza patrol de memoria: la página no está en uso): da como resultado una autorreparación (PPR) que se programará para el próximo reinicio. Los mensajes de iDRAC aún no se actualizan para reflejar las nuevas acciones.
  • Acción recomendada: Programe un reinicio pronto. Retrasar el reinicio podría provocar que se consuma la página, lo que podría provocar un error de MEM0001 que podría provocar un reinicio. La autorreparación de memoria (PPR) se ejecuta durante ese reinicio. Confirme que PPR se haya realizado con éxito (MEM0804).

Existen mejoras adicionales de características de RAS que se están evaluando para su inclusión en futuras actualizaciones del BIOS.

Este artículo se actualiza a medida que hay nueva información disponible.


Controladores y descargas: Controladores y descargas