内存ce超门限CorrectableECCError如何触发

[KunLun_jiangyaokun (Jiangyaokun)]

问题描述

带内模拟注入内存CE故障超阈值，查看BMC只有“CorrectableECC”和“CorrectableECCOverflow”属性发生变更

“CorrectableECCError”并未发生变更 内存CE错误超门限，门限值是Bios选项中设置嘛？还是BMC哪里可以配置

[ubmc_assistant (openUBMC_Assistant)]

答案内容由AI生成，仅供参考：

总结

问题	回答
CorrectableECCError 如何触发？	当在 Funnel Time 时间内，CE 错误次数 超过 BIOS 中设置的 Threshold 值，且 MemFaultIsolationEnabled = true
门限在哪配置？	BIOS 中配置：Advanced → RAS → Memory RAS → Correct Error Threshold
为何只看到 CorrectableECC 和 Overflow？	可能是注入地址错误、未达阈值、MemFaultIsolationEnabled 未开，或 BMC 日志限流所致
如何确保触发成功？	使用高地址注入、保证注入频次 > Threshold、关闭限流、确认 RAS 配置已使能

点击此处查看详细分析解答

内存CE超门限触发 CorrectableECCError 的机制说明

根据您提出的问题，以下是对内存可纠正错误（Correctable ECC, CE）超过门限后为何 CorrectableECCError 未触发，以及相关配置和触发机制的详细解释。

---

一、CorrectableECCError 是如何被触发的？

CorrectableECCError 是一个标志位（flag），用于指示系统检测到多次可纠正 ECC 错误，并且已超过预设阈值。其触发机制如下：

触发条件：

• 不是简单地注入一次或几次 CE 错误即可触发；
• 必须满足：
  1. 在特定时间段内（由“漏斗时间”Funnel Time 控制）；
  2. 累积发生次数超过 BIOS 中设置的 Correct Error Threshold 值；
  3. 相关组件（如 BMC、FDM 模块）已完成对这些事件的采集与统计；
  4. 需要 MemFaultIsolationEnabled = true 才能完整上报告警信息（见下文）。

若仅 CorrectableECC 变为 1，表示发生了单次可纠正错误；
若 CorrectableECCOverflow 变为 1，表示 CE 错误频率过高导致计数器溢出（即“漏斗溢出”）；
但 CorrectableECCError 仍未置位，则极可能是门限未真正达到或配置未生效。

---

二、CE 错误门限值是在哪里配置的？BIOS 还是 BMC？

CE 错误的阈值主要在 BIOS 层面进行配置，BMC 负责读取并监控该设置。

配置路径（在 BIOS 中）：

Setup ➝ Advanced ➝ RAS Configuration ➝ 
    Memory RAS Configuration ➝ 
        • Correct Error Threshold: [用户设定值，例如3、5等]  
        • Funnel Time: [例如 60秒]

参数说明：

参数	含义
Correct Error Threshold	在一个漏斗周期内，允许的最大 CE 错误次数。超过此值将触发 CorrectableECCError=1
Funnel Time (单位：秒)	统计窗口时间，例如设为60秒，则系统每60秒清空一次 CE 计数

示例：若设置 Threshold = 3，Funnel Time = 60s，则在任意 60 秒内发生 4 次或以上 CE 错误，就会触发 CorrectableECCError=1。

---

三、为什么 CorrectableECCError 没有变化？

可能出现以下几种原因导致该标志位未置位：

原因 1：注入方式 / 地址选择错误

• 注入的内存地址若属于 CPU Cache 区域（如低地址段），错误会被记录在缓存模块中，而非主内存 DIMM。
• 这会导致错误计入 CurrentPeriodCacheUncorrectableECCErrorCount，而不是内存 DIMM 的 CE 统计。

解决方法：

# 查看有效系统内存地址范围（避免注入 cache 区域）
cat /proc/iomem | grep "System RAM"

选择高地址段、4K 对齐的地址进行注入，确保命中物理内存。

---

原因 2：MemFaultIsolationEnabled 未开启（关键！）

来自知识库中的实测反馈（ID: 3）：

“经排查，MemFaultIsolationEnabled这个属性值需要配置为true才可以”

• 如果 MemFaultIsolationEnabled = false，即使 CE 超阈值，BMC 日志也不会记录 ACLS（Auto Corrective Logic Sequence）信息，CorrectableECCError 可能不会正确上报或未广播变更。
• 此属性通常在 BIOS 或 CSR 配置中控制。

建议操作：
检查并确保以下配置已启用：

• MemFaultIsolationEnabled = true
• RAS 功能全局使能
• Memory RAS Configuration Enable = Enabled

---

原因 3：BMC 日志限流机制导致记录丢失

来自用户反馈（ID: 4）：

• 当相同 FRU（如某根 DIMM）在 2 小时内发生相同类型日志达 5 次，会触发 BMC 主动限流；
• 限流后日志不再上报，仅打印：

  CE overflow logs and CE Bucket logs start suppressing
  

虽然错误仍在发生，但 maintenance.log 不再记录，可能误判为无响应。

解除或调试限流的方法：

1. 重启 BMC：清除限流计数器；
2. 使用调试命令（需 rw 版本）：

   # 查询限流开关状态
   mdbctl call FDMDomain_1_010101 bmc.kepler.Debug.Systems.FDMDomain GetConfigurations 0 "GetMaintenanceLogLimitingEnabled"
   
   # 关闭限流功能（0 表示关闭）
   mdbctl call FDMDomain_1_010101 bmc.kepler.Debug.Systems.FDMDomain SetConfigurations 0 "SetMaintenanceLogLimitingEnabled" 0
   

---

四、相关对象与属性说明（来自知识图谱）

属性名	所属模块	描述
CorrectableECC	MemoryOnChipRAS / MemoryRAS	单次可纠正错误发生（瞬态事件）
CorrectableECCOverflow	MemoryOnChipRAS	表示 CE 错误过多，内部缓冲区溢出（高频风暴）
CorrectableECCError	MemoryRAS	表示“累计 CE 错误 > Threshold”，触发预故障机制
CorrectableECCOverfrequencyCount	MemoryRAS	统计运行周期内 CE 频率超限的次数
MemFaultIsolationEnabled	BIOS / CSR	控制是否启用内存错误隔离逻辑（直接影响 CorrectableECCError 上报）

---

五、验证建议步骤

推荐测试流程：

1. 进入 BIOS 设置：

   • 启用 RAS Configuration → Memory RAS Configuration
   • 设置 Correct Error Threshold = 3
   • 设置 Funnel Time = 60
   • 确认 MemFaultIsolationEnabled = true

2. 操作系统中执行注入前检查：

   cat /proc/iomem | grep "System RAM"
   # 选取高位地址，如 0x100000000 开始的区域
   

3. 使用合法工具注入 CE 故障（至少 4 次以上，间隔小于 Funnel Time）

4. 检查 BMC 属性变化：

   # 查看 MemoryRAS 属性
   mctp-tool --get-property MemoryRAS_1 CorrectableECCError
   mctp-tool --get-property MemoryRAS_1 CorrectableECCOverflow
   

5. 确认日志中无限流提示：

   logs start suppressing
   

   如有，则按前述方法关闭限流。

---

总结

问题	回答
CorrectableECCError 如何触发？	当在 Funnel Time 时间内，CE 错误次数 超过 BIOS 中设置的 Threshold 值，且 MemFaultIsolationEnabled = true
门限在哪配置？	BIOS 中配置：Advanced → RAS → Memory RAS → Correct Error Threshold
为何只看到 CorrectableECC 和 Overflow？	可能是注入地址错误、未达阈值、MemFaultIsolationEnabled 未开，或 BMC 日志限流所致
如何确保触发成功？	使用高地址注入、保证注入频次 > Threshold、关闭限流、确认 RAS 配置已使能

---

最终建议：
请首先确认 BIOS 中配置了合理的 Correct Error Threshold 和 Funnel Time，并确保 MemFaultIsolationEnabled = true，这是 CorrectableECCError 成功触发的关键前提。

[BeanLin]

首先请明确“带内模拟注入”具体含义，通过IPMI接口模拟注入？RASTool故障注入？einj故障注入？不同方式是存在触发面的差异的；

CorrectableECC：表示内存已经发生过CE错误，BMC单次收到内存的CE错误IPMI消息即可置位；

CorrectableECCOverflow：表示具体内存已经发生CE错误超阈值事件，阈值和计数都在BIOS选项配置和统计；

CorrectableECCError：表示第3次CE超阈值后触发BIOS执行Bank替换事件，执行方也在BIOS；

以上3个场景都是独立的IPMI实现接口，单一的IPMI模拟注入是无法表示所有属性，如果是注错建议跟BIOS领域同事咨询对应触发方案

[baode_chiweike]

使用mdbctl命令能触发么？

setprop set MemoryRAS_1_01010117 bmc.kepler.Systems.FDMDomain.MemoryRAS CorrectableECCError 10

我执行后没有在web看到上报有关告警事件。

[BeanLin]

RASTool注入未触发内存CE告警

openUBMC:/->mdbctl lsprop MemoryRAS_1_01010117 bmc.kepler.Object.Properties ClassName=“MemoryRAS” ObjectIdentifier=[1,“1”,“”,“01010117”] ObjectName=“MemoryRAS_1_01010117” TraceSamplingRate=0 bmc…

已在该贴有类似答复：

1.CorrectableECCError：表示第3次CE超阈值后触发BIOS执行Bank替换事件，执行方也在BIOS；

2.这属于BIOS的改动，建议提交问题到BIOS领域，聚焦BMC领域问题；

3.从920X天池架构开始，各软件责任能力需要归一，BIOS只提供隔离原子能力让带内/带外调度，不再自主执行隔离

[baode_chiweike]

1.CorrectableECCError：表示第3次CE超阈值后触发BIOS执行Bank替换事件，执行方也在BIOS； — 目前情况是第1次 第2次超阈值的事件告警没模拟触发出来。这句话我是否可以这样理解：bmc侧模拟触发CE命令 mdbctl setprop set MemoryRAS_1_01010117 bmc.kepler.Systems.FDMDomain.MemoryRAS CorrectableECCError 10 设置CorrectableECCError 大于1小于3就能触发CE的sel事件？

[baode_chiweike]

mem-A800IA3_2102315QYP10S3100024_20260529-1304.zip (9.5 MB) 附上一键收集日志

[BeanLin]

1.CorrectableECCError是一个状态值，不是计数值；

2.SEL事件是需要sr配置的，目前BIOS已经不支持第3次CE超阈值后执行Bank替换事件，所以sr也没有配置对应SEL事件；

如果你明确需要模拟并触发SEL，请先在sr配置Event并关联对象的CorrectableECCError，然后通过setprop设置为1才可以触发

[baode_chiweike]

已经配置了对应的SR：

sensor 事件：

“DiscreteEvent_Dimm000Listen_0”: {

        "Property": "<=/MemoryRAS_1.CorrectableECCError",

        "ListenType": 1,

        "EventData1": 0,

        "EventData2": 255,

        "EventData3": "<=/Component_Memory1.Instance",

        "EventDir": "<=/MemoryRAS_1.**CorrectableECCError**",

        "Conversion": 0,

        "SensorObject": "#/DiscreteSensor_DIMM000"

    },

系统事件：

“Event_MemoryRAS1ECCMntr”: {

        "EventKeyId": "Memory.MemoryCorrectableECC",

        "Condition": 1,

        "LedFaultCode": "000",

        "Reading": "<=/MemoryRAS_1.**CorrectableECCError**",

        "OperatorId": 5,

        "Enabled": true,

        "DescArg3": "<=/Memory_1.DimmName;<=/Memory_1.Position;<=/Memory_1.SilkText |> string.format('%s(%s %s)', $1, $2, $3)",

        "Component": "#/Component_Memory1"

    },

[BeanLin]

配置中，下列参数应该能理解吧？设置对应属性为1时触发sel

“OperatorId”: 5,

“Condition”: 1,

[baode_chiweike]

我知道你的意思，这是触发系统事件时的条件。它不影响触发SEL才对，但实际情况是并没有触发传感器事件（SEL）。