作者：vivo 互联网服务器团队-  Hao Chan

随着互联网业务的疾速倒退，基础设施的可用性也越来越受到业界的关注。内存产生故障的故障率高、频次多、影响大，这些对于下层业务而言都是不能承受的。

本文次要介绍EDAC（Error Detection And Correction）框架在内存预测方面的利用。首先介绍了EDAC利用的背景，接着是EDAC的原理介绍，而后通过EDAC装置——配置——测试过程具体地介绍了EDAC在vivo服务器上的利用，最初提出了内存预测应用EDAC的计划总结以及服务器RAS（Reliability, Availability and Serviceability）利用减小硬件故障对系统的影响的瞻望。

一、背景介绍

随着互联网业务的疾速倒退，基础设施的可用性也越来越受到业界的关注。然而硬件故障始终以来都是一种普遍存在的景象，因为硬件故障而造成的损失往往是微小的。在服务器各个部件中，除硬盘故障以外，内存故障是第二大常见的硬件故障类型。并且服务器内存的数量泛滥，vivo的内存数量达到40w+条，内存故障造成的最重大的结果是会间接导致系统解体，服务器宕机，这些对于下层业务而言都是不能承受的。

内存故障可分为UCE（Uncorrectable Error）和CE（Correctable Error）。当硬件侦测到一个谬误，它会通过两种形式报告给CPU的。其中一种形式是中断，这种状况如果是UCE也就是不可纠正错误，则可能会导致服务器立马宕机。如果是CE，即可纠正错误，硬件会利用一部分资源对该谬误进行修复，而当内存CE累计过多，无奈进行自我修复时，则会产生UCE，造成零碎宕机重启。因而，咱们须要尽早地发现CE过多的内存条，及时进行更换，防止造成重大的损失。

以往内存故障大多是通过MCE（Machine Check Exception）log 和BMC记录的SEL （System Error Log）日志联合去发现定位故障的，而这些最大的问题是不可能提前发现内存问题，往往是服务器宕机重启后才被动发现的。除此之外还存在以下几个方面的问题：

  1. MCE日志很难间接定位到故障内存槽位。
  2. 没有直观的CE/UCE谬误计数。
  3. 无奈依据内存条上CE/UCE的数量判断内存的健康状况。

针对以上问题，咱们须要寻找别的解决方案。这时EDAC便呈现在咱们的视线，它可能完满地解决下面所说的所有问题，并且可能实现内存CE故障的被动发现，提前发现内存问题。

本文将次要介绍EDAC的原理以及如何通过它实现的故障预测。

二、EDAC 原理介绍

EDAC（Error Detection And Correction）是Linux零碎的谬误检测和纠正的框架，它的目标是在linux零碎运行过程中，当谬误产生时可能发现并且报告出硬件谬误。EDAC由一个外围（edac\_core.ko）和多个内存控制器驱动模块组成，它的子系统有edac\_mc、edac_device、PCI bus scanning，别离是负责收集内存控制器，其余控制器（比方L3 Cache控制器）以及PCI设施所报告的谬误。

这里次要讲述EDAC子系统edac\_mc是如何收集内存控制器的谬误。内存CE以及UCE是edac\_mc class获取的次要谬误类型，它次要波及了以下几个函数：

  • 【edac\_mc\_alloc()】：应用构造体mem\_ctl\_info来形容内存控制器，只有EDAC的外围能力接触到它，通过edac\_mc\_alloc()这个函数去调配填充构造体的内容。
  • 【edac\_device\_handle_ce()】：标记CE谬误。
  • 【edac\_device\_handle_ue()】：标记UCE谬误。
  • 【edac\_mc\_handle_error()】：向用户空间报告内存事件，它的参数包含故障点的层次结构以及故障类型，累计的相干UCE/CE谬误计数统计。
  • 【edac\_raw\_mc\_handle\_error()】：向用户空间报告内存事件，然而不做任何事件来发现它的地位，只有当硬件谬误来自BIOS时，才会被edac\_mc\_handle_error()间接调用。

那么EDAC是如何管制和报告设施故障的呢？它又是如何将故障定位以及记录到对应的内存条上的呢？

Linux 是通过sysfs文件系统来展现内核设施的档次关系，EDAC则通过它来管制和报告设施故障。EDAC是通过形象进去的内存控制器模型，将故障定位到对应的内存条上，这次要也是与内存在零碎中的排列构造相干。CPU对应的每个MC（memory controller）设施管制着一组DIMM内存模块，这些模块通以片选行(Chip-Select Row,csrowX)和通道(Channel,chX)的形式排布，在零碎中能够有多个csrow和多个通道。

通过下列门路能够查看相干文件：

# ls /sys/devices/system/edac/mc/mc0/csrow0/ce_count  ch0_ce_count  ch0_dimm_label  ch1_ce_count  ch1_dimm_label  dev_type  edac_mode  mem_type  power  size_mb  subsystem  ue_count  uevent

局部文件的用处如下表所示：

EDAC如果发现硬件设施控制器报告的是UE事件，并且控制器要求UE即停机，则会重启零碎。控制器查看到CE事件后，能够看作对将来UCE事件的预测。咱们能够通过一些屏蔽伎俩或者更换内存条缩小UE事件以及零碎宕机的可能性。

三、EDAC 的利用

EDAC在vivo 现网中的利用过程次要分为以下几步：

（1）EDAC在Linux零碎中的反对

EDAC在Linux 2.6.16以上的内核中以及零碎发行版都曾经失去了反对，然而内核中edac的驱动模块却有很多，不同的零碎版本反对的驱动模块却不尽相同，能够通过以下形式查看零碎反对哪些驱动模块。

# ls /lib/modules/3.10.0-693.el7.x86_64/kernel/drivers/edac/amd64_edac_mod.ko.xz  edac_core.ko.xz     i3000_edac.ko.xz  i5000_edac.ko.xz  i5400_edac.ko.xz  i7core_edac.ko.xz   ie31200_edac.ko.xz  skx_edac.ko.xze752x_edac.ko.xz      edac_mce_amd.ko.xz  i3200_edac.ko.xz  i5100_edac.ko.xz  i7300_edac.ko.xz  i82975x_edac.ko.xz  sb_edac.ko.xz       x38_edac.ko.xz

那么这些驱动模块之间有什么区别？咱们又应该怎么抉择呢？拿sb\_edac与skx\_edac进行阐明，咱们先来看一下它们形容。

# modinfo sb_edacfilename:       /lib/modules/3.10.0-693.el7.x86_64/kernel/drivers/edac/sb_edac.ko.xzdescription:    MC Driver for Intel Sandy Bridge and Ivy Bridge memory controllers -  Ver: 1.1.1...# modinfo skx_edacfilename:       /lib/modules/3.10.0-693.el7.x86_64/kernel/drivers/edac/skx_edac.ko.xzdescription:    MC Driver for Intel Skylake server processors...

通过查看形容咱们发现，原来驱动模块是和CPU的产品架构无关，装置不匹配的模块会呈现 edac-util: Error: No memory controller data found 这样的报错。通过咱们测试发现，一般而言，如果CPU的产品架构反对的驱动模块存在的话，零碎会默认装置反对的驱动。

（2）配置内存槽位与物理槽位对应关系

通过sysfs文件系统咱们能够看到哪个CPU的哪个内存管制下的哪个通道的哪条内存的CE计数，然而它对应的零碎下的哪一个内存呢，毕竟咱们服务器日常的运维，常常看到的是零碎槽位名称，那么它们的关系是怎么的呢？

通过查看edac-util的源代码构造发现，它提供了labels.db这个配置文件，去存储服务器内存的零碎槽位与物理槽位对应关系。

# cat /etc/edac/labels.db# EDAC Motherboard DIMM labels Database file.## $Id: labels.db 102 2008-09-25 15:52:07Z grondo $##  Vendor-name and model-name are found from the program 'dmidecode'#  labels are found from the silk screen on the motherboard.##Vendor: <vendor-name>#  Model: <model-name>#    <label>:  <mc>.<row>.<channel>

编写这个文件的时候，咱们须要晓得内存是如何在服务器上是怎么插，并且晓得它对应的是零碎中的槽位名称，不同服务器型号零碎槽位的名称不同。个别能使内存性能施展最大的插法，总结起来就是对称插法，并且先插离CPU远的通道，每个通道外面先插离CPU远的槽位。

配置实现后，如何去查看是否配置正确呢，次要分为两步：

① 应用edac-ctl查看SYSFS CONTETS条数是否正确

② 用dmidecode -t memory查看内存的名称是否统一

这里咱们还遇到一个rpm包的问题：对于厂商的主板的model name前后有多个空格的状况，edac-ctl无奈辨认到主板的model name，lables.db无奈注册胜利。最初咱们批改了edac-utils包的源代码，从新进行了打包。

（3）测试与验证

装置配置实现后，就到了测试验证环节了，要怎么去验证EDAC的正确性，保障CE谬误记录到了对应的内存条上呢？咱们能够应用APEI Error inject做一些谬误注入的测试。

APEI Error inject 它的原理是依赖APEI（ACPI Platform Error Interface），它的构造中有四张表：

  • BERT（Boot Error Record Table）：次要用来记录在启动过程中呈现的谬误
  • ERST（Error Record Serialization Table) ：用来永恒存储谬误的形象接口，存储各种硬件或平台的相干谬误，谬误类型包含 Corrected Error（CE），Uncorrected Recoverable Error（UCR），以及 Uncorrected Non-Recoverable Error，或者说Fatal Error。
  • EINJ（Error Injection Table）：次要作用是用来注入谬误并触发谬误，是一个用来测试的表
  • HEST（Hardware Error Source Table）：定义了很多谬误源和谬误类型。定义这些硬件谬误源的目标在于标准化软硬件谬误接口的实现。

这里是通过debugfs向内核APEI构造中的EINJ表注入内存谬误来进行测试，debugfs是一种用于内核调试的虚构文件系统，简略来说就是能够通过debugfs映射内核数据到用户空间，使用户可能批改一些数据进行调试。

办法步骤如下：

# 查看是否存在EINJ表# ls /sys/firmware/acpi/tables/EINJ # grep <以下字段> /boot/config-3.10.0-693.el7.x86_64CONFIG_DEBUG_FS=y CONFIG_ACPI_APEI=yCONFIG_ACPI_APEI_EINJ=m# 装置einj# modprobe einj# 查看内存地址范畴，这一步是因为/proc/iomem这个文件记录的是物理地址的分配情况，有些内存地址是零碎预留寄存以及其余设施所占用的，无奈进行谬误注入。# cat /proc/iomem | grep "System RAM"00001000-000997ff00100000-69f79fff6c867000-6c9e6fff6f345000-6f7fffff100000000-407fffffff# 查看内存页大小# getconf PAGESIZE4096 即4KB# 进入edac谬误注入目录# cat /proc/mounts | grep debugfsdebugfs /sys/kernel/debug debugfs rw,relatime 0 0# cd  /sys/kernel/debug/apei/einj/# 查看反对注入的谬误类型# cat available_error_type0x00000008  Memory Correctable0x00000010  Memory Uncorrectable non-fatal0x00000020  Memory Uncorrectable fatal# 写入要注入的谬误的类型echo 0x8 > error_type # 写入内存地址掩码echo 0xfffffffffffff000 > param2# 写入内存地址echo 0x32dec000 > param1# 写入0x0，若为1，则会跳过触发环节echo 0x0 > notrigger# 写入任何整数触发谬误注入，这是谬误注入的最初一步echo 1 > error_inject# 查看日志# tail /var/log/messagexxxxxx xxxxxxxx kernel: [2258720.203422] EDAC MC0: 1 CE memory read error on CPU_SrcID#0_MC#0_Chan#0_DIMM#1 (channel:0 slot:1 page:0x32dec offset:0x0 grain:32 syndrome:0x0 -  err_code:0101:0090 socket:0 imc:0 rank:0 bg:0 ba:3 row:327 col:300)# 应用edac-util -v查看，能够看到对应的内存条上新增了CE计数

四、 总结与瞻望

  1. EDAC能够明确的获取到服务器的每条内存上的CE计数，咱们能够通过CE计数去设定阈值，剖析CE计数曲线等，联合其余MCE log 、SEL等对内存进行健康状况评估，进行内存预测。EDAC在vivo服务器全量上线过程以来，累计提前发现450+ case的内存CE问题，服务器的宕机数量显著缩小。对满足报修规范服务器业务进行迁徙，并更换相应的内存条，防止因服务器忽然宕机导致业务的不稳固，甚至因而造成的损失。
  2. EDAC是服务器RAS（Reliability, Availability and Serviceability）在内存方面利用的一小部分。RAS是指通过一些技术手段，软硬件联合去保障服务器的这三个能力。RAS在内存方面的优化还有很多，例如MCA（Machine Check Architecture）recovery等等。将来咱们也将引入RAS去缓解硬件故障对系统的影响。

参考资料：

  1. https://www.kernel.org/doc/html/latest/driver-api/edac.html
  2. https://www.kernel.org/doc/html/latest/admin-guide/ras.html
  3. https://www.kernel.org/doc/html/latest/firmware-guide/acpi/apei/einj.html
  4. https://github.com/grondo/edac-utils/
  5. https://uefi.org/specs/ACPI/6.4/18\_ACPI\_Platform\_Error\_Interfaces/ACPI\_PLatform\_Error_Interfaces.html