ESXi主机紫屏故障报：Fatal MCE on pcpub

一、问题描述

MACHINE-CHECK ARCHITECTURE(MCA)

MCE(Machine Check Exception)是用来报告主机硬件相关问题的一种日志机制，日志文件是/var/log/mcelog；只有发生硬件报错了,才会有 /var/log/mcelog。

上图中有个err=18，即处理器中断18 - Machine-Check Exception (#MC)错误；

二、分析

2.1、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。

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。

处理器在探测到 uncorrected machine-check error（硬件不可自修复）的时候，就会发送 machine-check exception (#MC)。这种exception是abort类型的。而MCA的实现通常来讲，是不允许在产生#MC后进行可靠的重启。

machine-check-exception的处理函数，可以通过读取相关的MSR来得到相关的错误信息。
从Intel 45nm（最新的已经规划10nm门电路的芯片）的芯片开始，处理器在发现 corrected machine-check error(硬件可自修复的错误)的时候，也会发送一个中断给系统软件来响应这类MC错误，这种中断被称作CMCI( corrected machine-check error interrupt)

在支持MCA和CMCI的Intel 64处理上，还支持一些额外的增强特性，可以让系统软件来恢复一些特性的 uncorrected recoverable machine check 错误（UCR）。

2.2、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

2.3、Machine check相关的MCR：寄存器

Machine check使用了一组相关的MSR。 这些MSR有两部分组成，第一部分是全局控制和状态寄存器(global), 另外一部分是一些记录错误信息的banks。MSR的整体布局如下图所示：

详情参考：https://blog.csdn.net/chengm8/article/details/53003134

2.4、本次故障原因

结合以往经验及告警提示，本次故障是内存通信错误引起的，表现为：

具体原因还需待主机硬件人员进一步分析，一般是联系厂商更换内存。