【vSphere故障案例】案例一：紫屏死机PSOD-1

【vSphere故障案例】

      在这里，我们记录一些在ESXi主机上发生的、相当常见的问题。通常，可以采取一些简单的步骤去解决这些问题，但有的问题就需要较深入的解决方法。

蓝屏死机（BSOD遇到的很少）

粉屏死机（PSOD，Pink Screen of Death） PS：其实和紫屏死机一样

紫屏死机（PSOD， Purple Screen of Death）

      有一种在ESX和ESXi主机上都可能发生的故障，叫做紫屏死机（可以说是臭名昭著的微软蓝屏死机的VMware版）。紫屏死机会导致ESX/或ESXi主机突然崩溃、变得无法操作。你一定不希望在自己的主机上发生这种现象。以下是我遇到的一些紫屏死机故障现象和我收集的一些紫屏案例。

      当PSOD发生时，ESXi会完全死机，没有任何反应。硬件问题（坏有问题的内存是最常见的原因）或ESXi中的BUG是导致PSoDs的典型原因。当PSoDs发生时，你只能关闭并重启主机。屏幕上的提示信息非常有用，应该尝试记录它：可以使用带有拍照功能的手机给它照相，或者，如果存在的话，可以从一个远程管理面板上截图。你或许看不明白这些捕获下来的信息，但是，这些信息对VMware的技术支持来说非常有用。屏幕上显示的信息包括ESX的版本和build号、异常类型、寄存器转储（register dump）、崩溃时每个CPU正在跑什么、回溯追踪（back-trace）、服务器运行时间、错误日志、内存硬件信息等。

      当你遇到PSoDs并重启主机之后，在ESX主机或/root文件夹下，会有一个以vmkernel-zdump开头（命名）的文件，在ESXi5.0之后该文件位置放在”/scratch/core/vmkernel-zdump.1”。这个文件对VMware技术支持非常有用，同时，你也可以使用该文件，通过vmkdump工具提取 VMkernel日志信息、寻找与PSoDs有关的线索，从而判断PSoDs发生的原因。要使用这个命令，输入vmkdump –l dump <文件名>，ESX4（或ESXi5.0）之后是没有这个命令的，替代的命令是esxcfg-dumppart，用法：esxcfg-dumppart -L 。

例如：

~ # ls -l /scratch/core/

-rwx------    1 root    root     104858112 Dec  5 01:46 vmkernel-zdump.1

~ # esxcfg-dumppart -L /scratch/core/vmkernel-zdump.1

Created file vmkernel-log.1

~ # more vmkernel-log.1

参考：

http://www.vmsky.com/tech/vmware/vi3/2009/08/27/5673.html

http://kb.vmware.com/kb/1002769

      如前所述，坏有问题的内存是PSoDs中常见的原因。 你可以使用dump 文件识别引起问题的内存模块，从而将其替换掉。

紫屏案例收集

http://searchvmware.techtarget.com/photostory/2240162093/Purple-Screen-of-Death-PSOD/1/Defective-CPU-0

VMware官方社区关于紫屏的文章

      http://blogs.vmware.com/kb/2012/07/purple-diagnostics-screen-articles.html?src=WWW_BestMatch_CN

案例一：紫屏死机PSOD

IBM双刀VMware ESX4.0紫屏死机，如图：

发生时间：2011-11-13 （星期天）

硬件：IBM刀片服务器双刀4*8431\8*8GB\Flash or HHD*2\HBA

软件：ESX 4.0

故障现象：紫屏死机

故障原因：不可识别的CPU或有缺陷的CPU（或CPU损坏）

解决建议：更换CPU

处理故障过程（方法）：一般紫屏，绝大部分情况都和硬件有关系，查看报错信息的关键部分“#PF Exception(14) in world 0:unknown ……”。

PF：虚拟内存，CPU使用率与PF使用率就相当于你电脑的CPU配置及内存条大小与系统性能的正比关系。

我这个ESX主机是IBM的双刀服务器，有多个CPU和两块主板，查找了相关紫屏资料和询问相关专家，初步怀疑是CPU导致紫屏的。当时是傍晚发生的故障，而且又是公司主要的邮件服务器，又没有备用的，第二天周一还得正常时候，报修是来不及了的，时间很紧。重启主机后还是紫屏状态，请教专人后，我们把双刀的第一块主板上的第一个CPU1取了下来，然后重启，主机正常起来了。（PS：好像后来说是CPU1的插槽有问题，报修了）。