如何在 Linux 中收到 ECC 錯誤通知？

當配備 ECC 記憶體的 Linux 機器辨識出記憶體故障時，我如何獲得通知？我對可糾正和不可糾正的錯誤都感興趣。

• 如果將消息寫入 dmesg/syslog，這已經很好了，但我很想知道要查找什麼
• 安裝額外的守護程序（如用於硬碟的 smartmontools）是可以接受的
• Nagios/Icinga 監控將是另一種方式
• 並非所有要監控的機器都有 IPMI

感興趣的系統有 Supermicro 板 (X9SCM-F)，關於 HP N54L 微型伺服器，我只是好奇，但不要太在意。所有系統都執行 Debian 或 Ubuntu Linux。

Linux 核心支持某些晶片組的錯誤檢測和糾正 ( EDAC ) 功能。在帶有ECC的受支持系統上，可以通過 sysfs 訪問記憶體控制器的狀態：

/sys/devices/system/edac/mc

該位置下的目錄樹應與您的硬體相對應，例如：

/sys/devices/system/edac/mc/mc0/csrow2/power
/sys/devices/system/edac/mc/mc0/csrow0/power
/sys/devices/system/edac/mc/mc0/dimm2/power
/sys/devices/system/edac/mc/mc0/dimm0/power
/sys/devices/system/edac/mc/mc1/power
...

根據您的硬體，您可能必須顯式載入正確的 edac 驅動程序，參見：

find /lib/modules/$(uname -r) -name '*edac*'

該edac-utils軟體包提供了一個命令行前端和一個用於訪問該數據的庫，例如：

edac-util -rfull          
mc0:csrow0:mc#0memory#0:CE:0
mc0:csrow2:mc#0memory#2:CE:0
mc0:noinfo:all:UE:0
mc0:noinfo:all:CE:0
mc1:noinfo:all:UE:0
mc1:noinfo:all:CE:0

您可以設置某種 cron-job 定期呼叫eac-util並將結果提供給您的監控系統，然後您可以在其中配置一些通知。

除此之外，跑步mcelog通常是一個好主意。取決於系統，但不可糾正/可糾正的 ECC 錯誤也可能報告為機器檢查異常 ( MCE )。我的意思是，即使是由於溫度升高而導致的短暫 CPU 節流也被報告為 MCE。

引用自：https://serverfault.com/questions/643542