Self-healing della memoria DDR4 nei server Dell PowerEdge con processori Intel Xeon scalabili

Il BIOS di Dell PowerEdge è costantemente aggiornato per migliorare la messaggistica degli eventi di memoria, la gestione degli errori e il self-healing che si verificano al riavvio del server. In questo modo si evita la necessità di una finestra di manutenzione pianificata o di una presenza on-site per sostituire un modulo DIMM di memoria DDR4 che registrava eventi di errore.

Sono presenti due miglioramenti principali del BIOS per il self-healing correlati alla memoria, implementati per i server PowerEdge con memoria DDR4, BIOS 2.1.x e versioni successive. Questi miglioramenti modificano le procedure o le azioni consigliate da eseguire se gli eventi di memoria si verificano e vengono registrati nel registro LifeCycle.

1. Miglioramenti della reimpostazione della memoria

La reimpostazione della memoria che si verifica durante l'avvio (all'inizio della procedura di configurazione della memoria) ottimizza la temporizzazione e i margini del segnale per ciascun DIMM/slot per un accesso ottimale. Le caratteristiche di temporizzazione e margini del segnale di memoria di un modulo DIMM possono cambiare nel tempo per diversi motivi:

• Modifiche alla configurazione della memoria del server
• Modifiche del BIOS (Memory Reference Code - MRC)
• Temperature di esercizio diverse del server o del DIMM
• Obsolescenza del DIMM

In precedenza, gli aggiornamenti del BIOS o le modifiche alla configurazione della memoria rilevate avrebbero determinato una reimpostazione della memoria all'avvio successivo. A partire dal BIOS 2.1.x, sono stati aggiunti altri trigger di errori di memoria correggibili e non correggibili per la reimpostazione pianificata:

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."

La registrazione di uno di questi errori nei registri SEL/LifeCycle comporterà la pianificazione della reimpostazione della memoria al riavvio successivo (a caldo o a freddo). Il BIOS forzerà automaticamente un riavvio a freddo indipendentemente dalla richiesta di inizializzazione.

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

Questo errore multibit può causare il riavvio del server per un errore irreversibile se il sistema operativo non è in grado di gestire tale errore. La reimpostazione della memoria si verificherà automaticamente durante l'avvio. Se l'errore multibit si verifica in una posizione di memoria non critica gestibile dal sistema operativo, è necessario pianificare un riavvio.

La reimpostazione della memoria durante il POST può eseguire il self-healing del modulo DIMM guasto e dello slot associato ottimizzando le tempistiche e i margini del segnale. Per questi errori non è necessario sostituire un modulo DIMM, a meno che la reimpostazione della memoria abbia esito negativo (UEFI0106) durante l'avvio o se si continuano a verificare gli stessi errori.
 

2. PPR (Post Package Repair)

Il secondo miglioramento della memoria "self-healing" è il PPR. La riparazione PPR ripara una posizione di memoria con errori disabilitando la posizione o l'indirizzo a livello di hardware, consentendo l'utilizzo di una riga di memoria di riserva. Il numero esatto di righe di memoria di riserva disponibili dipende dal dispositivo DRAM e dalle dimensioni del modulo DIMM.

In precedenza, questa funzionalità era limitata al processo di produzione. Come per i miglioramenti di reimpostazione della memoria menzionati in precedenza, alcuni errori di memoria correggibili comportano la pianificazione della riparazione del pacchetto PPR su uno slot DIMM specifico per il riavvio successivo (a caldo o a freddo). Il BIOS forzerà automaticamente un riavvio a freddo indipendentemente dalla richiesta di inizializzazione. Poiché l'operazione è pianificata su uno slot di DIMM specifico, NON modificare le posizioni degli slot fino a quando non verrà eseguita la riparazione del pacchetto POST. Esempi di errori:

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."

Uno di questi eventi nei registri comporterà la pianificazione del PPR per il riavvio successivo (a caldo o a freddo) all'inizio della fase di configurazione della memoria.

Dopo il riavvio, verificare che l'operazione di riparazione del pacchetto POST sia stata eseguita correttamente. Un esempio di operazione di riparazione del pacchetto POST corretta sarà simile alla seguente:

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

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

È ora disponibile un white paper appena pubblicato (versione 1.0) che descrive le varie funzioni RAS (Reliability, Availability, and Serviceability) correlate alla memoria dei server Dell PowerEdge disponibili sui server PowerEdge: Memory Errors and Dell EMC PowerEdge YX4X Server Memory RAS Features.

Aggiornamento: 24 aprile 2020

Dell continua a migliorare le funzionalità di self-healing. Nella sezione seguente sono elencati gli aggiornamenti e i miglioramenti associati alle diverse versioni del BIOS.

BIOS 2.1.x: pubblicazione iniziale dell'articolo relativo alle funzionalità di self-healing disponibili a partire dal BIOS 2.1.6 e versioni successive, inclusi messaggi di errore di esempio e azioni consigliate.

Modifiche BIOS 2.4.x e successive (dicembre 2019)

• MEM0702 (Correctable error rate exceeded...) - Messaggio aggiornato da Critical a Warning. Con le azioni consigliate aggiornate per riavviare il server per consentire il self-healing, ad esempio Post Package Repair.
  • iDRAC di dicembre 2019 o successivo da installare per ricevere il messaggio aggiornato
  • Azione consigliata: riavviare il server per consentire l'esecuzione della PPR
• MEM9060 - Descrizione del messaggio aggiornata per indicare che il self-healing è stato completato correttamente

Modifiche BIOS 2.5.x e successive (febbraio 2020)

• È stata aggiunta un'opzione del BIOS "Correctable Error Logging" per consentire ai clienti di disabilitare tutti i registri LifeCycle/SEL correlati agli errori correggibili. Tutte le funzioni di self-healing continuano a funzionare: ad esempio, la PPR e la reimpostazione della memoria sono ancora pianificate ed eseguite durante il riavvio successivo (all'inizio del processo di configurazione della memoria).
• Aggiunta di errori MEM08xx per RDIMM e LRDIMM che sostituiscono i messaggi di errore e le azioni esistenti. I messaggi di errore esistenti vengono ancora utilizzati per le piattaforme che non supportano le funzionalità di self-healing.
  • Febbraio 2020 o versione successiva è necessario iDRAC per registrare i nuovi messaggi.

• MEM0802 - Sostituisce MEM0702 - Tasso di errori correggibili superato
  • Azione consigliata: riavviare il server per consentire l'esecuzione della PPR. Verificare che la PPR abbia avuto esito positivo (MEM0802)
• MEM0804 - Sostituisce MEM9060 che indicava che la PPR aveva avuto esito positivo. Ora include la posizione dello slot DIMM che ha eseguito la PPR
  • Azione consigliata: Nessuna. Questo evento indica che si è verificato il self-healing, non è necessaria alcuna sostituzione del modulo DIMM.
• MEM0805 - ha sostituito UEFI0278 che indicava che la PPR non era riuscita
  • Azione consigliata: Sostituire un modulo DIMM malfunzionante

Aggiornamento: 10 luglio 2020

Modifiche BIOS 2.7.x e successive (BIOS del blocco di luglio 2020, previsto a metà luglio per la pubblicazione sul Web)

• MEM8000 (Correctable error logging disabled) - A partire dal BIOS ~2.0.x, Dell Engineering ha apportato una modifica al BIOS per migliorare il tasso di rilevamento degli errori correggibili che può influire sulle prestazioni. Questa modifica ha comportato un aumento degli eventi MEM8000 che non sono stati comprovati dai risultati dell'analisi dei guasti DIMM. A partire dal BIOS 2.7.x, sono state apportate due modifiche correlate a MEM8000. La prima è che la segnalazione dell'evento MEM8000 è stata modificata. La seconda è la pianificazione del PPR per il self-healing d aparte del BIOS al successivo riavvio. . I messaggi iDRAC non sono stati ancora aggiornati per riflettere le nuove azioni.
  • Azione consigliata: riavviare il server per consentire l'esecuzione di self-healing/PPR. Verificare che la PPR sia stata eseguita correttamente (MEM0804).
• MEM0001 (Uncorrectable Error): determina la pianificazione del self-healing (PPR) per il riavvio successivo. I messaggi iDRAC non sono stati ancora aggiornati per riflettere le nuove azioni.
  • Azione consigliata: nessuna azione necessaria se MEM0001 è associato a una pagina critica che il sistema operativo non è in grado di ripristinare - È ancora un errore irreversibile che determina un riavvio. Se MEM0001 è associato a una pagina non critica dalla quale il sistema operativo può eseguire il ripristino, è necessario pianificare un riavvio per il self-healing (PPR). Verificare che la PPR sia stata eseguita correttamente (MEM0804).

Aggiornamento: 13 gennaio 2021

Modifiche BIOS 2.8.2 e successive (BIOS del blocco di settembre 2020)

• MEM9072 (Uncorrectable error identified by the memory patrol scrub process- page is not consumed or in use) - Determina la pianificazione del self-healing (PPR) per il riavvio successivo.  I messaggi iDRAC non sono stati ancora aggiornati per riflettere le nuove azioni.
  • Azione consigliata: pianificare un riavvio in tempi brevi. Ritardare il riavvio potrebbe comportare l'utilizzo della pagina con conseguente errore MEM0001 che potrebbe causare il riavvio.  La funzione di self-healing della memoria (PPR) viene eseguita durante il riavvio. Verificare che la PPR sia stata eseguita correttamente (MEM0804).

Esistono ulteriori miglioramenti delle funzioni RAS in fase di valutazione per essere inclusi nei futuri aggiornamenti del BIOS.

Questo articolo verrà aggiornato non appena saranno disponibili nuove informazioni.

Vedere anche: Indicazioni sulla risoluzione dei problemi di memoria tramite test di sostituzione - Risoluzione degli errori di memoria sui sistemi PowerEdge tramite test

di sostituzione Download e driver: Driver e download | Dell Stati Uniti