我应该如何认真对待 ECC 可纠正错误警告？

Question

我有一堆 Sun X2200-M2 服务器。这些服务器具有 ECC 内存。

在其中一些服务器中，我在 eLOM 中收到有关“检测到可纠正的 ECC 错误”的警告，例如：

# ssh regress11 ipmitool sel elist
   1 | 05/20/2010 | 14:20:27 | Memory CPU0 DIMM2 | Correctable ECC | Asserted
   2 | 05/20/2010 | 14:33:47 | Memory CPU0 DIMM2 | Correctable ECC | Asserted

...有些比其他更频繁。

这个特定系统上的内核也抛出 EDAC 错误，尽管频率远高于 eLOM 记录 ECC 事件的频率：

EDAC k8 MC0: general bus error: participating processor(local node response), time-out(no timeout) memory transaction type(generic read), mem or i/o(mem access), cache level(generic)
MC0: CE page 0x42a194, offset 0x60, grain 8, syndrome 0xf654, row 4, channel 1, label "": k8_edac
MC0: CE - no information available: k8_edac Error Overflow set
EDAC k8 MC0: extended error code: ECC chipkill x4 error
EDAC k8 MC0: general bus error: participating processor(local node response), time-out(no timeout) memory transaction type(generic read), mem or i/o(mem access), cache level(generic)
MC0: CE page 0x48cb94, offset 0x10, grain 8, syndrome 0xf654, row 5, channel 1, label "": k8_edac
MC0: CE - no information available: k8_edac Error Overflow set
EDAC k8 MC0: extended error code: ECC chipkill x4 error

现在，如果服务器检测到不可纠正的 ECC，系统将重置，很明显这很糟糕，移除/更换已识别的棒或对可以纠正问题。

但我在想，如果错误是可纠正的，那么就不会立即出现问题——我可以将其视为警告，并准备好在开始发生不可纠正的错误时拔出棒/对？

Answer 1

取决于您收到错误的频率。出于各种原因，ECC 应该平均每年纠正一次单比特错误。如果你得到它们的速度比这快得多，或者如果它们是多位错误，你应该担心（我会尽快更换 RAM）。

此外，ECC 并不完美。累积误差有可能通过ECC；这将显示为操作系统崩溃或类似问题。