EDAC工具助力检测服务器内存故障

什么是EDAC

EDAC（Error Detection And Correction 错误检测与纠正），是Linux系统的错误检测和纠正的框架，它的目的是在linux系统运行过程中，当错误发生时能够发现并且报告出硬件错误。

内存有两种错误类型分别是CE和UE，CE 是 Correctable Error 的简称， UE是Uncorrectable Error的简称，CE即可恢复的错误，暂不影响系统的正常运行。可以在找时机停机换掉。UE为不可恢复的内存错误，通常会导致宕机。

那么EDAC是如何控制和报告设备故障的呢？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文件系统来展示内核设备的层次关系，EDAC则通过它来控制和报告设备故障。EDAC是通过抽象出来的内存控制器模型，将故障定位到对应的内存条上，这主要也是与内存在系统中的排列结构相关。CPU对应的每个MC（memory controller）设备控制着一组DIMM内存模块，这些模块通以片选行(Chip-Select Row,csrowX)和通道(Channel,chX)的方式排布，在系统中可以有多个csrow和多个通道。

故障确认及定位故障内存槽位

grep "[0-9]" /sys/devices/system/edac/mc/mc*/csrow*/ch*_ce_count

• count：不为0的行即代表存在内存错误。
• mc: 内存控制器
• csrow：内存通道。
• ch*：通道内的第几根内存。

在/sys/devices/system/edac/mc/mc0/csrow4/下面还要如下几个文件，也可以助力你查询问题

使用edac工具来检测服务器内存故障

在linux中提供了一个edac-utils 内存纠错诊断工具，也可以用来检查服务器内存潜在的故障。

1.安装 edac-utils 工具

yum install -y libsysfs edac-utils

2.执行检测命令，可查看纠错提示如下

其中

• mc X表示 表示内存控制器0；
• CPU_Src_ID#0 表示源CPU0；
• Channel#0 表示通道0；
• DIMM#0 标示内存槽0；
• Corrected Errors 代表已经纠错的次数