サーバーにメモリがあり、エラーが発生していると思います。それがどのようにして見つけられるのか疑問に思っています。
サーバーモデル:Supermicro 6072R-EN3RFT
RAM:128 GB
最新のアップデートがインストールされたCentOS 7
Mcelogは次のように述べています:
:[ 883.230897] EDAC sbridge MC0: HANDLING MCE MEMORY ERROR
:[ 883.230904] EDAC sbridge MC0: CPU 0: Machine Check Event: 0 Bank 10: cc0001c7000800c1
:[ 883.230906] EDAC sbridge MC0: TSC 0
:[ 883.230908] EDAC sbridge MC0: ADDR b71b18000
:[ 883.230909] EDAC sbridge MC0: MISC 908401000200e8c
:[ 883.504829] EDAC sbridge MC0: PROCESSOR 0:306e4 TIME 1469612575 SOCKET 0 APIC 0
:[ 883.504841] mce: [Hardware Error]: Machine check events logged
:[ 883.606151] EDAC MC0: 7 CE memory scrubbing error on CPU_SrcID#0_Ha#0_Chan#0_DIMM#0 (channel:0 slot:0 page:0xb71b18 offset:0x0 grain:32 syndrome:0x0 - OVERFLOW area:DRAM err_code:0008:00c1 socket:0 ha:0 channel_mask:1 rank:1)
:[ 899.306134] EDAC sbridge MC0: HANDLING MCE MEMORY ERROR
:[ 899.306143] EDAC sbridge MC0: CPU 0: Machine Check Event: 0 Bank 10: cc000207000800c1
:[ 899.306145] EDAC sbridge MC0: TSC 0
:[ 899.306148] EDAC sbridge MC0: ADDR c71b19000
:[ 899.306150] EDAC sbridge MC0: MISC 908410000200e8c
:[ 899.306153] EDAC sbridge MC0: PROCESSOR 0:306e4 TIME 1469612590 SOCKET 0 APIC 0
:[ 899.306172] mce: [Hardware Error]: Machine check events logged
:[ 899.644814] EDAC MC0: 8 CE memory scrubbing error on CPU_SrcID#0_Ha#0_Chan#0_DIMM#0 (channel:0 slot:0 page:0xc71b19 offset:0x0 grain:32 syndrome:0x0 - OVERFLOW area:DRAM err_code:0008:00c1 socket:0 ha:0 channel_mask:1 rank:1)
:[ 901.190512] {1}[Hardware Error]: Hardware error from APEI Generic Hardware Error Source: 1
:[ 901.190528] {1}[Hardware Error]: It has been corrected by h/w and requires no further action
:[ 901.190533] {1}[Hardware Error]: event severity: corrected
:[ 901.190538] {1}[Hardware Error]: Error 0, type: corrected
:[ 901.190541] {1}[Hardware Error]: fru_text: CorrectedErr
:[ 901.190546] {1}[Hardware Error]: section_type: memory error
:[ 901.190549] [Firmware Warn]: error section length is too small
:[ 4916.540282] EDAC sbridge MC0: HANDLING MCE MEMORY ERROR
:[ 4916.540290] EDAC sbridge MC0: CPU 0: Machine Check Event: 0 Bank 10: cc000287000800c1
:[ 4916.540292] EDAC sbridge MC0: TSC 0
:[ 4916.540294] EDAC sbridge MC0: ADDR b743ff000
:[ 4916.540296] EDAC sbridge MC0: MISC 908400800240e8c
:[ 4916.540298] EDAC sbridge MC0: PROCESSOR 0:306e4 TIME 1469616606 SOCKET 0 APIC 0
:[ 4916.540313] mce: [Hardware Error]: Machine check events logged
:[ 4916.540340] EDAC MC0: 10 CE memory scrubbing error on CPU_SrcID#0_Ha#0_Chan#0_DIMM#0 (channel:0 slot:0 page:0xb743ff offset:0x0 grain:32 syndrome:0x0 - OVERFLOW area:DRAM err_code:0008:00c1 socket:0 ha:0 channel_mask:1 rank:1)
私は以下を試しました:
grep "[0-9]" /sys/devices/system/edac/mc/mc*/csrow*/ch*_ce_count
/sys/devices/system/edac/mc/mc0/csrow0/ch0_ce_count:669
/sys/devices/system/edac/mc/mc0/csrow0/ch1_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow0/ch2_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow0/ch3_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow0/ch0_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow0/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow0/ch2_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow0/ch3_ce_count:0
これは、それぞれに16 GBのスロットが8つあり、最初のスロットにエラーのあるメモリが含まれていることを意味しますか?
エラーのあるメモリモジュールはどれですか?私はシステム管理者ではないので、どうすればよいかわかりません...
敬具
DIMMスロットには、BANK A DIMM 0
、BANK A DIMM 1
など、BANK B DIMM 3
までのラベルが付いていると思います。 BANK A DIMM 0
が問題の1つであるという仮定を立てることができるため、それらがすべて等しいと想定して他の7つと交換し、エラーが再び発生するまでテストを繰り返します。別の/sys/devices/system/edac/mc/mc?/csrow0/ch?_ce_count
カウンターが増加している場合は、問題のあるDIMMを見つけたことが合理的に確信できます。
これは、問題を特定して特定するために行うことです。
ユーティリティ名:edac-utils
私の場合、CentOS7にインストールしていますが、他のフレーバーとバージョンのユーティリティを見つけることができます。
yum install edac-utils
どうぞ。
[root@centos7 ~]# edac-util -v
mc0: 0 Uncorrected Errors with no DIMM info
mc0: 0 Corrected Errors with no DIMM info
mc0: csrow0: 0 Uncorrected Errors
mc0: csrow0: CPU_SrcID#0_Ha#0_Chan#1_DIMM#0: 2187 Corrected Errors
mc0: csrow0: CPU_SrcID#0_Ha#0_Chan#2_DIMM#0: 0 Corrected Errors
mc0: csrow1: 0 Uncorrected Errors
mc0: csrow1: CPU_SrcID#0_Ha#0_Chan#1_DIMM#1: 24464678 Corrected Errors
mc0: csrow1: CPU_SrcID#0_Ha#0_Chan#2_DIMM#1: 3874265 Corrected Errors
mc1: 0 Uncorrected Errors with no DIMM info
mc1: 0 Corrected Errors with no DIMM info
mc1: csrow0: 0 Uncorrected Errors
mc1: csrow0: CPU_SrcID#1_Ha#0_Chan#1_DIMM#0: 0 Corrected Errors
mc1: csrow0: CPU_SrcID#1_Ha#0_Chan#2_DIMM#0: 0 Corrected Errors
mc1: csrow1: 0 Uncorrected Errors
mc1: csrow1: CPU_SrcID#1_Ha#0_Chan#1_DIMM#1: 0 Corrected Errors
mc1: csrow1: CPU_SrcID#1_Ha#0_Chan#2_DIMM#1: 0 Corrected Errors
上記の結果は次の結果と一致します。
[root@centos7 ~]# grep "[0-9]" /sys/devices/system/edac/mc/mc*/csrow*/ch*_ce_count
/sys/devices/system/edac/mc/mc0/csrow0/ch1_ce_count:2187
/sys/devices/system/edac/mc/mc0/csrow0/ch2_ce_count:0
/sys/devices/system/edac/mc/mc0/csrow1/ch1_ce_count:24464678
/sys/devices/system/edac/mc/mc0/csrow1/ch2_ce_count:3874265
/sys/devices/system/edac/mc/mc1/csrow0/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow0/ch2_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow1/ch1_ce_count:0
/sys/devices/system/edac/mc/mc1/csrow1/ch2_ce_count:0