評估不可糾正的 ECC 錯誤和回退方法
我執行的伺服器剛剛遇到了我以前從未遇到過的錯誤。它發出幾聲嗶嗶聲，重新啟動，然後卡在啟動螢幕（BIOS 顯示其徽標並開始列出資訊的部分）並出現錯誤：
Node0：DRAM 不可糾正的 ECC 錯誤
節點 1：HT 連結同步錯誤
硬重置後，系統啟動正常，並且尚未在 edac-util 上報告任何內容。
我的研究告訴我，即使 ECC 記憶體和系統處於理想條件下，仍然可能出現無法糾正的錯誤，並且很可能會在系統生命週期的某個時間點發生；一些報告建議至少每年一次或更早。
伺服器執行帶有多個 ECC 模組的 CentOS 6.5。我已經在嘗試診斷哪個模組引發了錯誤，以評估這是一個故障還是不可避免的事情（如宇宙射線）的結果。
我的研究還表明，當系統像這樣停止時，沒有地方可以寫入日誌，唯一可靠的方法是將系統連接到另一個系統，並通過串列埠寫出日誌。
除了通常的 edac-util、memtest、壓力測試和預防性更換之外，在解決此錯誤時我還應該考慮其他什麼嗎？
我無法在我搜尋的任何 CentOS 日誌中找到任何有關此崩潰的記錄，這與我認為無法將此錯誤記錄到本地磁碟的信念相吻合。該錯誤僅在自動重啟後由 bios 報告給我。是否建議始終將系統日誌寫入串列以記錄這些類型的錯誤？
這種故障是可以使用單個系統避免的，還是只能使用昂貴的企業解決方案才能避免？
在單個生產伺服器的這些故障情況下，我可以做些什麼來提供回退措施；例如，生產伺服器本身不跨越多台機器，但可以存在備用伺服器。
嗯，這不是一個完全集成的系統，如 HP、Dell 或 IBM 伺服器，因此對此類故障的監控和報告不會出現或一致。
在我管理的系統中，磁碟最常出現故障，其次是 RAM、電源、風扇、系統板和 CPU。
記憶可能會失敗……你無能為力。
由於您無法真正防止 ECC 錯誤和 RAM 故障，因此請做好準備。保留備用。物理訪問您的系統並維護您的組件的保修。我絕對不會在環境中引入“預防性替換”。其中一些是您的硬體的功能…您有 IPMI 嗎？有時硬體日誌會在那裡結束。
這是更好的伺服器硬體的增值之一。這是來自 HP ProLiant DL580 G4 伺服器的片段，其中超過了 RAM 上的 ECC 門檻值，然後進展為 DIMM 被禁用……最後伺服器崩潰 (ASR) 並在停用壞 DIMM 的情況下自行重啟。
0004 Repaired 22:21 12/01/2008 22:21 12/01/2008 0001 LOG: Corrected Memory Error threshold exceeded (Slot 1, Memory Module 1) 0005 Repaired 20:41 12/06/2008 20:43 12/06/2008 0002 LOG: POST Error: 201-Memory Error Single-bit error occured during memory initialization, Board 1, DIMM 1. Bank containing DIMM(s) has been disabled. 0006 Repaired 21:37 12/06/2008 21:41 12/06/2008 0002 LOG: POST Error: 201-Memory Error Single-bit error occured during memory initialization, Board 1, DIMM 1. Bank containing DIMM(s) has been disabled. 0007 Repaired 02:58 12/07/2008 02:58 12/07/2008 0001 LOG: POST Error: 201-Memory Error Single-bit error occured during memory initialization, Board 1, DIMM 1. Bank containing DIMM(s) has been disabled. 0008 Repaired 19:31 12/08/2009 19:31 12/08/2009 0001 LOG: ASR Detected by System ROM
如果 DIMM 有無法糾正的錯誤，我建議更換它。如果它只是低比率的可糾正錯誤，您可能可以忍受它，並且在任何情況下對於可糾正的錯誤，都將更難獲得退款。
如果您想查看是否有記錄，請嘗試使用
ipmitool sel elist或等效工具訪問 IPMI SEL 記錄。另一種選擇是設置一個 Linux 崩潰核心來啟動並保存 dmesg，這也可以擷取有關硬體故障的資訊。
第三種選擇是將伺服器的串列控制台記錄到持久的某個地方，它還將包括軟體或硬體類型的伺服器崩潰的線索。