x86服務器MCE（Machine Check Exception）問題
MCE現象
Intel在Pentium 4、Xenon和P6系列處理器中實現了機器檢查（Machinecheck）架構，提供能夠檢測和報告硬件（機器）的錯誤機制，如系統總線錯誤、ECC錯誤、奇偶校驗錯誤、緩存錯誤、TLB錯誤等。它包括一直MSR（Model-Specific Registers）寄存器，用來設置機器檢查和額外的bank MSR記錄錯誤。
當機器檢查到不可糾正的machine-check錯誤時，就觸發一個machine-check異常。machine-check架構不允許在出現MCE後處理器重啟，但MCE處理程序可以從MSR寄存器收集相關信息。
CPU 7: Machine Check Exception: 5 Bank 0: b200004010000400
RIP !INEXACT! 10:<ffffffff8010f16e> {mwait_idle+0x5e/0x90}
TSC 1952dbeebcc8
Kernel panic: Machine check
Reconfiguring memory bank information….
This may take a while….
done waiting: 3 cpus not responding
Warning: Non-empty request queue
I/O requests in flight at dump time
CPU 7: Machine Check Exception: 4 Bank 0: f200004040000400
RIP !INEXACT! 10:<ffffffff8011ef69>
MCE錯誤判斷原則
凡是內核死機打印“Machine Check Exception“或內核棧信息中打印有do_machine_check()函數，均為MCE問題。
MCE錯誤來源
- PCI-E設備信號質量/時鐘
-
CPU芯片損壞/設計BUG
CPU Cache損壞或其它故障
-
CPU可能的缺陷
如CPU生產制造過程中帶來的缺陷
- 內存壞/接觸不良
- BIOS配置不當
- OS/MCE中斷程序Bug
- 環境因素，如溫度/濕度
MCE錯誤碼解析
以上面MCE錯誤為例，Machine Check Exception和Bank 0(5)的值分別對應IA32_MCG_STATUS MSR、IA32_MCi_STATUS寄存器。
則對應的寄存器值為：
IA32_MCG_STATUS MSR寄存器的值為0000000000000004
IA32_MC0_STATUS MSR的值為f200000410000800
IA32_MC5_STATUS MSR的值為f200001044100e0f
根據MSR的值，對照Intel編程手冊和Intel其他資料，就可以比較容易找出MCE原因。
dmesg顯示
1
2
3
4
5
6
7
8
|
|
保存4行log為mlog
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
|
根據
Part Number: HMT42GR7BFR4A-PB
Serial Number: 40743B5A
在lshw中找相應硬件
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
|
x86服務器MCE（Machine Check Exception）問題