如何解决 FAS 和 AFF 系统上可修复的内存错误

最后更新
另存为PDF

Views:: 220

Visibility:: Public

Votes:: 0

Category:: ontap-9

Specialty:: hw

Last Updated:

适用场景

ONTAP 版本
- 9.5 及更高版本的标准功能
- 9.4p6 和更高版本 9.4 发行版
- 9.3P11 和更高版本 9.3 发行版
- 9.1P18 和更高版本 9.1 发行版
除 FAS25xx 、 FAS22xx 、 FAS/V32xx 和 FAS/V62xx 之外的任何 FAS 和 AFF 平台

问题解答

对于 FAS25xx 、 FAS22xx 、 FAS/V32xx 和 FAS/V62xx 以外的所有 ONTAP FAS 和 AFF 平台，本文将取代知识库文章 How to troubleshoot Correctable Memory Errors 。如何解决可修复的内存错误

为什么 NetApp 在 ONTAP 中更改可纠正的内存错误监控？

NetApp 存储系统使用主系统内存和 NVRAM/NVMEM 子系统的纠错码（ ECC ）内存模块（ DIMM ）。如果可能、内存子系统硬件会在运行时纠正内存错误、对系统性能几乎没有影响。
- 直到最近、在 AFF/FAS 存储系统上运行的 ONTAP 一直采用一个长期策略来提醒系统管理员自上次重新启动系统以来，根据 500 个错误的阈值发生“过度”的 CECC 内存错误。
- 在 NetApp 及其硬件组件供应商最近对可纠正 ECC （ CECC ）内存错误进行了全面分析之后、确定 CECC 内存错误通常不是由于不可纠正的 ECC （ UECC ）内存错误导致系统中断的良好预测因素—尤其是对于最新一代的内存控制器和动态随机存取存储器（ DRAM ）。
- 此外、用于监控、记录和纠正大量内存错误的 CPU 周期对系统性能的影响微乎其微。

因此， NetApp 已将 ONTAP 在当前支持的许多 AFF/FAS 系统上使用的 CECC 内存错误监控算法更改为动态监控算法，并配置了更高的阈值来触发 " CriticalCECCCountMemErrAlert " 控制器运行状况监控器警报和相应的 " 运行状况监控器 " AutoSupport 消息。
- 使用旧策略触发的警报可能被视为误报，因此不应将其作为内存更换的指示，因为这会导致不必要的硬件维护而不会带来任何实际好处。
NVRAM DIMM 具有可纠正的 ECC 更换准则、但不适用于 ONTAP 版本。有关详细信息，请参阅更换指南表。

采用动态监控算法后、如何确定由于可更正或不可更正的内存错误过多而需要更换DIMM或NVDIMM？

有关内存更换准则，请参见下表。

ECC 类型 类别 更换标准

可修复（ CECC ）

（动态算法）

DIMM、NVDIMM

ONTAP 版本：

9.1P18 和更高版本 9.1 发行版
9.3P11 和更高版本 9.3 发行版
9.4p6 和更高版本 9.4 发行版
9.5 和更高版本的主要版本

请勿基于CECC内存错误计数较高更换内存DIMM或NVDIMM。
只有在ONTAP 明确触发以下情况下、才适合更换DIMM或NVDIMM：
- EMS 中的 "CriticalCECCCountMemErrAler" 警报
- AutoSupport 的 " 运行状况监控器 " 消息

示例：

cluster-01 发出 HA 组通知（运行状况监控进程 nphm ： CriticalCECCCountMemErrAlert.DIMM-14] ）警报。

仅当看到此警报时才应更换内存。

可修复（ CECC ）

DIMM

ONTAP 之前的版本 ：

9.1P18
9.3p11.
9.4p6.
9.5

仅当 EMS 日志中显示可更正的 ECC 错误或显示 "CriticalCECCCountMemErrAler" 系统事件和 AutoSupport 消息时，才应更换报告可更正 ECC 错误的 DIMM 。
- DIMM 未处于故障状态
- 可以生成使用旧算法策略的早期 ONTAP 版本误报
要主动监控 DIMM ，建议升级到建议的 ONTAP 版本。

可修复（ CECC ）

NVRAM DIMM 、所有 ONTAP 版本

NVRAM11 （ AFF A900 ）
NVRAM 10 （ FAS9000 、 AFF A700 ）
NVRAM10P （ AFF A700s ）
NVRAM 9 （ AFF/FAS80X0 ）

NVRAM DIMM 为 FRU （ NVRAM10P 除外）。如果 CECC 计数大于每周 2 个或大于每月 5 个，请更换 NVRAM DIMM （或 NVRAMUP 卡）。
使用 system node environment sensors show 命令查看 NV CECC Error 计数器。
- NV CECC 错误计数器名称因 NVRAM 类型而异：
  - NVRAM11 ： NV DIMM1 CECC 计数， NV DIMM2 CECC 计数
  - NVRAM10 ： NV DIMM0 CECC 计数， NV DIMM1 CECC 计数（更多信息）
  - NVRAM10P ： NVRAM CECC 计数
  - NVRAM9 ： NV 可更正 ECC 计数
您还可以读取 platform-sensors.XML AutoSupport 文件中的 NV CECC 错误计数器（ last-sensor-value ）。

原始 PLATFORM-SENSORS.XML 示例：

<asup:ROW col_time_us="3423606694499">  
   <name>NV Correctable ECC count</name> 
   <sensor-type>counter</sensor-type>   
   <sensor-state>normal</sensor-state>  
   <last-sensor-value>24</last-sensor-value>  
   <value-units></value-units>   
   <discrete-sensor-state /> 
   <discrete-sensor-value /> 
   <critical-low-threshold /> 
   <warning-low-threshold /> 
   <warning-high-threshold /> 
  <critical-high-threshold />
 </asup:ROW>

Uncorrectable （ UECC ） Panic 或 Uncorrectable Machine

Check Error （ UMCE ） Panic

所有平台、 ONTAP 版本

如果有 PPR 结果，则在考虑更换部件之前必须先对其进行检查。

从 SP 或 BMC 检查系统控制台日志。检查控制台日志以查看崩溃消息详细信息以及后软件包修复（ PPR ）操作结果。

如果 PPR 信息不可用，请更换与崩溃相关的 DIMM 。

如果 PPR 信息结果可用：

无需更换
如果 PPR 可以检测到有问题的内存段，它将修复它。
- 如果系统可以恢复，它将提供有关事件的消息。 PPR:Sequence PASS.
- 无需执行其他操作
需要更换
如果内存出现故障或无法修复，系统将无法启动 ONTAP ，需要更换 DIMM 。
- 如果同一 DIMM 发生第二次 UECC 错误和崩溃，请联系 NetApp 订购 DIMM 更换

请参见： BIOS 更新以了解内存可靠性和 PPR 功能

检查 Active IQ 以查看 CECC 内存是否会影响您的系统。

注意：

在使用动态算法的 ONTAP 版本上， CECC 内存错误仍会定期记录在 ONTAP 事件日志中。但是，它们在确定是否需要更换 DIMM 时不再相关。
可纠正的 ECC 错误并不表示将出现不可纠正的 ECC 错误。如果发生不可更正的内存错误，则会导致系统中断（崩溃）。如果发生系统中断，崩溃消息将调用发生不可更正错误的 DIMM 或 DIMM 。可能需要更换这些 DIMM （请参见上表）。
当前发售的 ONTAP 平台的最新 BIOS/ 加载程序版本包含内存管理增强功能。这些更新可提高对不可更正的 ECC 错误的故障恢复能力，并减少在启动期间可以映射 DIMM 的情形，例如错误 1195242， 1195243或 1195423。如果您的 BIOS 版本不是适用于 AFF 或 FAS 系统的最新版本， NetApp 建议将 BIOS 更新为最新版本。在系统固件和诊断下载页面上查找适用于您的系统的最新 BIOS/ 加载程序版本。
以下平台使用JEDEC标准NVDIMM模块：
- AFF A800、AFF A400、AFF A320
- FAS8700、FAS8300

适用场景

问题解答

追加信息