Zhr*_*hro 5 linux memory centos ecc redundancy
我运行的服务器刚刚遇到了我以前从未遇到过的错误。它发出几声哔哔声，重新启动，并卡在启动屏幕（BIOS 显示其徽标并开始列出信息的部分）并出现错误：
节点 0：DRAM 不可纠正的 ECC 错误
节点 1：HT 链接同步错误
硬重置后，系统启动正常，但尚未在 edac-util 上报告任何内容。
我的研究告诉我，即使 ECC 内存和系统处于理想状态，仍然可能出现无法纠正的错误，并且可能会在系统的生命周期中的某个时刻发生；一些报告建议至少一年或更早一次。
该服务器运行带有多个 ECC 模块的 CentOS 6.5。我已经在尝试诊断哪个模块引发了错误，以评估这是错误还是不可避免的结果，例如宇宙射线。
我的研究还表明，当系统像这样停止时，日志无处可写，唯一可靠的方法是将系统连接到另一个系统，并通过串行端口写出日志。
除了通常的 edac-util、memtest、压力测试和预防性更换之外，在解决这个错误时还有什么我应该考虑的吗？
我无法在我搜索的任何 CentOS 日志中找到此崩溃的任何记录，这与我的信念一致，即无法将此错误记录到本地磁盘。该错误仅在自动重启后由 bios 报告给我。是否建议始终将系统日志写入串行以记录这些类型的错误？
使用单个系统可以避免这种故障，还是只能使用昂贵的企业解决方案才能避免？
在这些故障情况下，我可以做些什么来为单个生产服务器提供回退措施；例如，生产服务器本身不会跨越多台机器，但可以存在后备服务器。
这是我如何阻止系统崩溃的答案，但没有解决最初的问题。我仍在研究解决方案，并将分享我学到的任何新信息。
该系统是一个白盒，配有 Supermicro H8SGL-F 主板、64GB (16x4) Hynix、32GB (16x2) Viking 内存。主板规范规定，由于处理器使用四通道内存控制器，因此 RAM 模块必须以四个为一组安装。我将额外的两个 Viking 模块放入其中，看看它是否有效，而且确实有效。这个解决方案工作了几个月，但这是我的第一个错误。
我的第二个错误是我错误地安装了内存。内存插槽采用颜色编码并交错排列，用于四通道设置。我的内存是这样安装的：
[ ========== ] 16GB Hynix
[ ---------- ] 16GB Hynix
[ ========== ] 16GB Hynix
[ ---------- ] 16GB Hynix
[ ========== ] 16GB Viking
[ ---------- ] 16GB Viking
[ ========== ]
[ ---------- ]
虽然此设置确实工作了几个月，并且最近才开始产生问题，但我无法确定该故障是否是由于容量增加导致我的不合规布局问题（模块是否确实存在问题）。
由于我只有一个生产系统，因此我移除了所有模块并开始将它们以两个为一组轮换（仍然不符合规格），并以降低的容量运行系统数周。我没有收到任何崩溃，也没有来自 edac-util 的 ecc 错误报告。但是，有可能有故障的模块位于第二个插槽中并且只是未被访问，从而导致故障。
旋转内存后未能重现该错误，我意识到我错误地设置了内存。我删除了 Viking 模块并设置了新的布局，如下所示：
[ ========== ] 16GB Hynix
[ ---------- ]
[ ========== ] 16GB Hynix
[ ---------- ]
[ ========== ] 16GB Hynix
[ ---------- ]
[ ========== ] 16GB Hynix
[ ---------- ]
自从我进行此更改后，系统保持稳定。尽管符合规范，但这并不能确认故障是否出在布局、Viking 模块（因为它们已被删除），或者有问题的模块是否只是布局中较靠下的 Hynix 模块之一，而访问频率不够高无可挑剔。
请将此答案视为问题的结论，而不是我为解决总体问题而采取的步骤。我还没有完成，将在继续寻找解决方案时继续报告。
另外值得注意的是，自从我将内存设置为新布局以来，系统昨天第一次重新启动。我无法确认这是否是由于正在解决的内存问题造成的，或者这是否是电源的单独问题，因此到目前为止，对这一事件持保留态度。