主页 / server / 问题 / 871429
Accepted
user
Asked: 2017-09-01 00:28:27 +0800 CST

如何应对同一内存位置的重复 DRAM ECC 错误通知？

  • 772

我今天早上醒来，对我来说是第一次；我的一个系统记录了DRAM ECC error通知。事实上，其中三个，据我所知，内存位置完全相同（显然，系统实际上并未命名为 localhost）：

Aug 31 05:00:46 localhost kernel: [719099.816034] [Hardware Error]: CPU:0   MC4_STATUS[-|CE|MiscV|-|AddrV|-|-|CECC]: 0x9c6c40006b080a13
Aug 31 05:00:46 localhost kernel: [719099.816046] [Hardware Error]:         MC4_ADDR: 0x0000000641f49d20
Aug 31 05:00:46 localhost kernel: [719099.816051] [Hardware Error]: Northbridge Error (node 0): DRAM ECC error detected on the NB.
Aug 31 05:00:46 localhost kernel: [719099.816059] EDAC amd64 MC0: CE ERROR_ADDRESS= 0x641f49d20
Aug 31 05:00:46 localhost kernel: [719099.816070] EDAC MC0: CE page 0x641f49, offset 0xd20, grain 0, syndrome 0x6bd8, row 2, channel 0, label "": amd64_edac
Aug 31 05:00:46 localhost kernel: [719099.816075] [Hardware Error]: cache level: L3/GEN, mem/io: MEM, mem-tx: RD, part-proc: RES (no timeout)

上述之后是系统时间05:10:46(719699.8160) 的相同通知，然后是 (720299.8160)的另一个通知，该通知05:20:46也Over在线CPU:0 MC4_STATUS（状态0xdc6c40006b080813）。到目前为止，系统一直很稳定，没有记录更多错误。系统活动正常，有问题的系统自 2014 年以来一直使用 ECC RAM 运行，但从未记录任何 ECC 错误。

我不会太担心单个可纠正的 ECC 错误。记录的错误之间几乎正好十分钟（实际上低至几微秒）可能只是用于每十分钟进行一次 RAM 清理；不幸的是，在这个特定的系统上，擦洗间隔没有作为设置公开。但是，同一内存位置（相同的值）中的三个连续错误CE ERROR_ADDRESS确实让我有点担心。

更新：自从我最初发布这个问题以来，有问题的主机已经记录了几个，所有的CE ERROR_ADDRESS.

我应该认真对待这件事吗？什么是好的回应；立即订购更换 RAM 并安排尽快安装它，将其视为只是暂时的故障，或者如果再次发生但现在没有具体行动，请准备更换 RAM？

memory

3 个回答

  1. Best Answer

    ECC RAM 往往用于关键服务器。系统正在报告硬件故障。如果它不是一个关键系统，并且您不介意经历它的所有内容可能会损坏，请务必等待并看看会发生什么，但如果您关心您的数据而不是 RAM 的成本，请尽快更换有故障的 RAM。

    • 2

  2. 我建议运行 memtest86+

    http://www.memtest.org

    它还作为标准包包含在某些发行版中。

    它可以证实您对内存模块故障的怀疑。

    • 0

  3. 我今天早上醒来，对我来说是第一次；我的一个系统记录了 DRAM ECC 错误通知。实际上，其中三个是为了……我不会太担心一个可纠正的 ECC 错误。记录的错误之间几乎正好十分钟（实际上低至几微秒）可能只是用于每十分钟进行一次 RAM 清理；不幸的是，在这个特定的系统上，擦洗间隔没有作为设置公开。

    维基百科关于内存擦洗的网页说：

    “超过 8% 的 DIMM 模块每年都会遇到至少一个可纠正错误。这对于基于 DRAM 和 SRAM 的内存来说可能是个问题。任何单个内存位出现软错误的概率都非常小。”。

    “为了不干扰来自 CPU 的常规内存请求，从而防止性能下降，清理通常只在空闲期间进行。由于清理包括正常的读取和写入操作，与非清理操作相比，它可能会增加内存的功耗。清理操作。因此，清理不是连续执行，而是定期执行。对于许多服务器，可以在 BIOS 设置程序中配置清理周期。

    该网页包含指向 SuperMicro X9SRA 主板手册的链接，其中解释了擦洗间隔：

    " Patrol Scrub
    Patrol Scrubbing 是一个过程，它允许 CPU 纠正在内存模块上检测到的可纠正内存错误，并将纠正发送给请求者（原始来源）。当此项设置为 Enabled 时，北桥将读取和写入每16K周期回一个cache line ，如果没有内部处理造成的延迟。使用这种方法，大约每天会清理北桥后面64 GB的内存。选项有Enabled和Disabled。

    因此，原因不是擦洗。有可能是有故障的位。虽然故障可能突然发生，但它消失又回来似乎很奇怪，尤其是当它如此频繁地发生时。

    “我应该认真对待这个问题吗？什么是好的回应；立即订购更换 RAM 并安排尽快安装它，将此视为只是暂时的故障，或者如果再次发生但现在没有具体行动，请准备更换 RAM ？”

    发明nohammer内核模块的 Pavel Machek 说：

    “不小心撞到划船是相当困难的，所以如果你打到它，可能是有人故意这么做的。......好吧，宇宙射线和划船之间有三个数量级以上的差异。IIRC宇宙射线是预期的导致一年 2 位翻转... rowhammer可以在10 分钟内完成位翻转，那是旧版本，不是优化版本之一。”。

    您可以更换 RAM 模块，并查看错误报告是否跟随芯片、粘在内存位置或发生在其他地方。

    HPE 建议（针对有故障的内存模块）：

    “症状：在操作系统日志中发现以下错误消息： 

    host1 kernel: Northbridge Error (node X): DRAM ECC error detected on the NB.

    修复：
    1. 识别出故障的内存模块编号（如果错误中提到）
    2. 检查 IML 是否有与内存模块相关的错误。Ex Proc x 插槽 x
    3。更新系统 BIOS
    4。如果未发现错误，则运行诊断并更换内存模块（5-6 循环内存诊断以隔离内存模块）"

    建议的行动方案：

    • 在其插槽中切换 RAM 将告诉您它是特定的 RAM 模块还是故障出在其他电路中。

    • 只要您每隔几天没有收到超过一个位错误，就不会出现恐慌（匆忙）。

    • 如果您每 10 分钟受到一次打击，您可能会受到重击。

    另请参阅：“在内核中防御 RowHammer ”和“ ECCploit：ECC 内存毕竟易受 Rowhammer 攻击”。对于 ARM 处理器，有：“ Android GuardION 补丁可缓解基于 DMA 的 Rowhammer 对 ARM 的攻击”。

    • 0

相关问题