VMware: Ladění fialové diagnostické obrazovky ESXi Machine Check Exception

Popis:

Servery ESXi se mohou zastavit s fialovou diagnostickou obrazovkou (PSOD) kvůli chybám Machine Check Exception (MCE). Chyby MCE jsou způsobeny problémy s hardwarem.

Fialová diagnostická obrazovka MCE zobrazuje několik položek. Z nich MCi_STATUS Register je užitečný při ladění problému.

Podrobnosti o registraci:

• Skript MCi_STATUS Registr obsahuje informace o chybě kontroly stroje.
• Registr se zobrazí vedle "S:" Jak je znázorněno v následujícím příkladu:

MC: PCPU18 B:13 S:0xfe20004000011166 M:0x7246040086 A:0x38c989b100 5

Chcete-li chybu ladit, dolních 16 bitů MCi_STATUS registrovat jsou důležité. Tyto bity značí jednoduchou nebo složenou chybu.

Možnost 1: Použití automatického nástroje

Poznámka: Nyní můžete chybu ladit pomocí následujícího nástroje, který automatizuje následující kroky:
Čtečka chyb VMware Purple Diagnostic Screen (PSOD)

1. Jednoduché chyby se rychle ladí

0000 0000 0000 0000 -- No Error reported to this bank of error-reporting registers.
0000 0000 0000 0001 -- Unclassified - Error has not been classified.
0000 0000 0000 0010 -- Parity error in internal microcode ROM.
0000 0000 0000 0011 -- External error-BINIT# from another processor caused this processor MCE. Happens only if BINIT# observation enabled during power on.
0000 0000 0000 0100 -- Functional redundancy check master/slave error.
0000 0000 0000 0101 -- Internal parity error.
0000 0000 0000 0110 -- SMM handler tried to execute outside the ranges specified by SMRR.
0000 0100 0000 0000 -- Internal timer error.
0000 1110 0000 1011 -- I/O error.
0000 01xx xxxx xxxx -- Internal unclassified error. Atleast one X must be equal to 1.

2. Složené chyby

000F 0000 0000 11LL - Generic Cache Hierarchy error.
000F 0000 0001 TTLL - {TT}TLB{LL}_ERR. TLB errors.
000F 0000 1MMM CCCC - {MMM}_Channel{CCCC}_ERR - Memory controller errors.
000F 0001 RRRR TTLL - {TT}CACHE{LL}_{RRRR}_ERR - Cache Hierarchy errors.
000F 1PPT RRRR IILL - BUS{LL}_{PP}_{RRRR}_{II}_T_ERR - Bus and Interconnect errors.

• F - Příznak formuláře

0 – Normal Filtering
1 – Corrected Filtering

Filtrování znamená, že některé nebo všechny následné opravy této položky v této struktuře nejsou zaúčtovány.

• TT - Platí pro body 2 a 4 výše. 

Označuje typ transakce:

00 - Instruction
01 - Data
10 - Generic

• LL – platí pro body 1, 2, 4 a 5 výše. 

Označuje úroveň v hierarchii paměti, kde k chybě došlo.

00 - Level 0 - L0
01 - Level 1 - L1
10 - Level 2 - L2
11 - Generic – LG (It is shown only when processor cannot determine the hierarchy level)

• RRRR – Označuje typ akce spojené s chybou. Jedná se o tyto akce:

0000 - Generic Error - ERR
0001 - Generic Read - RD
0010 - Generic Write - WR
0011 - Data Read - DRD
0100 - Data Write - DWR
0101 - Instruction Fetch - IRD
0110 - Prefetch - PREFETCH
0111 - Eviction - EVICT
1000 - Snoop - SNOOP

• PP (Participation) - Popisuje roli lokálního procesoru v chybě.

00 - SRC - Local processor originated request
01 - RES - Local processor responded to request
10 - OBS - Local processor observed error as third party
11 - Generic

• T (Time-out) - 1 = Časový limit požadavku vypršel.
• II (paměť nebo I/O)

00 - M - Memory Access
10 - IO - I/O
01 - Reserved
11 - Other transaction

• Chyby řadiče paměti – definováno výše uvedenými podpoli MMM a CCCC
• MMM – chyba paměti

000 - GEN - Generic undefined request
001 - RD - Memory read error
010 - WR - Memory write error
011 - AC - Address/Command error
100 - MS - Memory Scrubbing error
101-111 - Reserved

• CCCC - Kanál s chybou

0000-1110 - CHN - Channel number
1111 - Channel not specified

1. Zapište si MCi_STATUS Registrovat hodnotu. Tady je:

0xfe20004000011166.

2. Převeďte jej na binární:

1111 1110 0010 0000 0000 0000 0100 0000 0000 0000 0000 0001 0001 0001 0110 0110

3. Vezměte spodních 16 bitů MCi_STATUS Registrace:

0001 0001 0110 0110

Porovnejte to se složenými chybami. V tomto případě se zdá, že se jedná o chybu hierarchie mezipaměti (typ 4).

4. Použijte hodnoty:

F = 1
RRRR = 0110 – Prefetch
TT = 01 – Transaction type - Data
LL = 10 – Level 2 cache

Závěr:

• Vypadá to, že fialová diagnostická obrazovka se spustila při předběžném načtení některých dat v mezipaměti L2 procesoru.
• Může se tedy jednat o problém s mezipamětí L2 v procesoru.
• Proto je třeba nejprve vyměnit procesor a poté zkontrolovat, zda je problém vyřešen. V případě, že se problém objeví znovu, lze základní desku vyměnit.