x86服务器MCE（Machine Check Exception）问题

http://ilinuxkernel.com/?p=303

MCE现象

Intel在Pentium 4、Xenon和P6系列处理器中实现了机器检查（Machinecheck）架构，提供能够检测和报告硬件（机器）的错误机制，如系统总线错误、ECC错误、奇偶校验错误、缓存错误、TLB错误等。它包括一直MSR（Model-Specific Registers）寄存器，用来设置机器检查和额外的bank MSR记录错误。

当机器检查到不可纠正的machine-check错误时，就触发一个machine-check异常。machine-check架构不允许在出现MCE后处理器重启，但MCE处理程序可以从MSR寄存器收集相关信息。

CPU 7: Machine Check Exception: 5 Bank 0: b200004010000400

RIP !INEXACT! 10: {mwait_idle+0x5e/0×90}

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:

 
 

MCE错误判断原则

凡是内核死机打印“Machine Check Exception“或内核栈信息中打印有do_machine_check()函数，均为MCE问题。

 
 

MCE错误来源

• PCI-E设备信号质量/时钟
  
• CPU芯片损坏 /设计 BUG

  CPU Cache损坏或其它故障
  

• CPU可能的缺陷
  

  如CPU生产制造过程中带来的缺陷
  

• 内存坏/接触不良
  
• BIOS配置不当
  
• OS/MCE中断程序Bug
• 环境因素，如温度/湿度
  

 
 

MCE错误码解析

以上面MCE错误为例，Machine Check Exception和Bank 0(5)的值分别对应IA32_MCG_STATUS MSR、IA32_MCi_STATUS寄存器。

则对应的寄存器值为：

IA32_MCG_STATUS MSR寄存器的值为0000000000000004

IA32_MC0_STATUS MSR的值为f200000410000800

IA32_MC5_STATUS MSR的值为f200001044100e0f

 
 

根据MSR的值，对照Intel编程手册和Intel其他资料，就可以比较容易找出MCE原因。