Linux 内核 RAS 实战：用 rasdaemon 解码 AMD SMCA 硬件错误

Linux 内核 RAS 实战：用 rasdaemon 解码 AMD SMCA 硬件错误

【免费下载链接】linuxLinux kernel source tree项目地址: https://gitcode.com/GitHub_Trending/li/linux

本文以 Linux 内核官方文档Documentation/admin-guide/RAS/error-decoding.rst为主体，讲解在 AMD 平台上如何对 SMCA（Scalable Machine Check Architecture）硬件错误进行解码：从内核侧错误寄存器（STATUS/IPID）的产生与上报，到用户态使用 rasdaemon 工具离线/在线解码错误字符串的完整流程与命令参数。读完本文，你能够读懂 AMD 平台 machine check 错误日志中的 STATUS 与 IPID 字段，并用 rasdaemon 把原始寄存器值翻译成可读的错误描述，定位到出错部件与 bank。

一、为什么需要“错误解码”：AMD 平台硬件错误的分类与上报

Linux 内核 RAS（Reliability, Availability and Serviceability，可靠性、可用性、可维护性）文档将硬件错误分为几类（见 RAS 文档主篇）：

• 可纠正错误（Correctable Error, CE）：错误检测机制发现并纠正了错误，通常不致命，但可作为部件退化的预警信号；
• 不可纠正错误（Uncorrectable Error, UE）：超出纠错能力，系统无法自动修复；
• 致命错误（Fatal）：UE 发生在关键部件上，只能挂起或重启机器；
• 非致命错误（Non-fatal）：UE 发生在未使用的部件上，系统仍可继续运行。

在 x86 平台上，这类错误经由 MCA（Machine Check Architecture）上报；对 AMD 处理器，则使用其可扩展的 SMCA 接口。内核 RAS 文档明确指出，要把错误“翻译到最小可更换单元（MRU）”往往需要用户态工具的配合——这正是错误解码存在的意义：内核负责采集寄存器原始值，用户态工具负责把原始值翻译成“哪个部件、哪类错误”的人类可读描述。

内核侧的 AMD SMCA 支持集中在 AMD MCE 驱动，而错误采集与日志打印的核心逻辑在 MCE 核心模块。x86 的 machine check 机制本身另有专门文档 machinecheck.rst 可供延伸阅读。

二、内核侧：STATUS 与 IPID 从哪里来

rasdaemon 解码命令中的--status和--ipid两个参数，对应的正是 AMD SMCA 每 bank 的 STATUS 与 IPID 寄存器。

2.1 SMCA 寄存器布局

SMCA 为每个 machine check bank 分配了一组连续 MSR，定义在 arch/x86/include/asm/mce.h：

#define MSR_AMD64_SMCA_MC0_CTL 0xc0002000 #define MSR_AMD64_SMCA_MC0_STATUS 0xc0002001 #define MSR_AMD64_SMCA_MC0_ADDR 0xc0002002 #define MSR_AMD64_SMCA_MC0_MISC0 0xc0002003 #define MSR_AMD64_SMCA_MC0_CONFIG 0xc0002004 #define MSR_AMD64_SMCA_MC0_IPID 0xc0002005 #define MSR_AMD64_SMCA_MC0_SYND 0xc0002006 ... #define MSR_AMD64_SMCA_MCx_CTL(x) (MSR_AMD64_SMCA_MC0_CTL + 0x10*(x)) #define MSR_AMD64_SMCA_MCx_STATUS(x) (MSR_AMD64_SMCA_MC0_STATUS + 0x10*(x))

其中MCx_STATUS记录该 bank 的错误状态字（错误类型、PCC、溢出标志等位段），MCx_IPID（IP Block Identifier）标识产生错误的 IP 块及其版本——这两个值共同决定了“错误字符串”应如何解读。MCE 核心模块在采集中断处理时按 bank 读取 IPID（见 core.c）：

m->ipid = mce_rdmsrq(MSR_AMD64_SMCA_MCx_IPID(i));

并在日志中打印（core.c）：

if (m->ipid) pr_cont("IPID %llx ", m->ipid);

因此你在 dmesg/mcelog 风格日志里看到的STATUS ... IPID ...数值，就是后续喂给 rasdaemon 的原始输入。

2.2 用户态接口中的 IPID 字段

用户态通过 MCE 记录结构获取这些字段。对 SMCA 系统，mce_record中的ipid字段被显式标注“仅在 SMCA 系统上有效”，定义见 uapi mce.h：

__u64 ipid; /* MCA_IPID MSR: only valid on SMCA systems */

此外，APEI（ACPI 硬件错误接口）路径也会把 HEST/BER 报告中的 IPID 填充进 MCE 记录（见 apei.c），所以无论是硬件 MCE 中断还是固件第一报告（FW-first）路径，STATUS/IPID 都会进入统一的错误记录，供解码工具消费。

2.3 内核为何把解码交给用户态

内核 Kconfig 中对旧用户态守护进程的说明可以直接印证文档推荐的方案：启用已弃用的/dev/mcelog字符设备时，内核帮助文本建议“考虑切换到新一代 rasdaemon 方案”（见 arch/x86/Kconfig 的X86_MCELOG_LEGACY选项）。也就是说，AMD 平台错误字符串解码是 rasdaemon 的“主场”：解码规则（各 IP 块的版本位段划分）随硬件演进频繁变化，放在用户态工具中可以独立于内核更新。

三、rasdaemon：在线守护与离线解码

官方文档 error-decoding.rst 给出的核心结论是：AMD 系统上的错误解码应当使用 rasdaemon 工具完成。其使用形态分两种：

3.1 守护模式：自动记录并解码

只要 rasdaemon 作为守护进程在运行，内核上报的 machine check 记录会被它自动捕获、记录到数据库，并即时解码出错误描述——管理员在日志中直接看到可读的错误字符串，无需手工介入。这是生产环境的推荐形态：CE 的逐次计数与趋势分析（用于预测 UE、触发预防性换件）都依赖这条自动链路。

3.2 命令行模式：离线解码单条错误

即使 rasdaemon 没有运行，也可以把错误记录中的硬件信息（STATUS 值与 IPID 值）手动提供给 rasdaemon，用它的打印模式（-p）完成一次性解码。文档给出的命令形式为：

$ rasdaemon -p --status <STATUS> --ipid <IPID> --smca

参数含义：

其中<STATUS>、<IPID>就是你在内核日志（第二节中IPID %llx打印行）里看到的十六进制数值。

3.3 指定 CPU family/model 与 bank 的精确解码

如果解码器仅凭 STATUS/IPID 无法唯一确定字符串（例如跨代 CPU 的 IP 版本位段发生变化），文档还给出了更完整的命令，允许显式传入 CPU family、model 以及出错 bank 号：

$ rasdaemon -p --status <STATUS> --ipid <IPID> --smca \ --family <CPU Family> --model <CPU Model> --bank <BANK_NUM>

bank 号在内核日志中按 bank 打印（每个 SMCA bank 对应一组 0xc00020xx MSR，bank 间地址间隔 0x10，见第二节寄存器布局），因此从日志中即可读出该值。

四、实操建议：从日志到解码结果

结合源码，一个典型的排查流程是：

1. 从内核日志中提取一次 machine check 的STATUS、IPID、Bank三个字段（IPID 由 core.c 打印，STATUS 属于 MCE 记录标准字段）；
2. 若 rasdaemon 守护进程在运行，先查看它是否已经为该事件生成了解码字符串——正常情况无需手工操作；
3. 守护进程未运行时，用rasdaemon -p --status ... --ipid ... --smca离线解码；遇到无法确定 CPU 变体的解码结果时，追加--family、--model、--bank参数；
4. 解码得到部件级描述后，结合 RAS 文档主篇 中介绍的“识别坏部件”方法（如用dmidecode查看 DIMM locator/bank 标签，将 bank 映射到最小可更换单元）完成定位与预防性维护决策。

需要注意的前提与限制：该解码流程面向 AMD SMCA 平台（--smca选项及ipid字段均标注仅 SMCA 有效）；命令形式与参数以 rasdaemon 工具的当前版本为准；解码本身只回答“什么错误、哪个部件”，错误处置策略（忽略、记录、隔离、替换）仍由系统管理员的 RAS 策略决定。

五、内核侧验证手段：debugfs 注入路径

如果你需要在无真实硬件故障的环境中验证“采集—上报—解码”链路，内核自带 MCE 注入框架，其 AMD 扩展正好覆盖 STATUS 与 IPID。注入属性定义在 inject.c：

static int inj_ipid_set(void *data, u64 val) { ... m->ipid = val; ... }

该文件还提供 STATUS 注入（同文件inj_status逻辑，并附带"ipid:\t IPID (AMD-specific)"的帮助文本，见 inject.c），以及写入时按 bank 回读真实MCx_IPIDMSR 的行为（inject.c）。通过 debugfs 接口注入后，错误会走与真实故障相同的处理与打印路径，从而可以在用户态验证 rasdaemon 的采集与解码是否正常。

六、相关文档索引

• error-decoding.rst：本文主体，AMD 平台错误解码与 rasdaemon 用法；
• RAS 文档主篇：RAS 概念、错误分类、ECC 内存与坏部件定位方法；
• machinecheck.rst：x86 MCA 机制与 mcelog 用户态接口说明；
• AMD MCE 驱动 / MCE 核心 / MCE 注入：SMCA 错误处理、日志打印与调试注入的实现位置；
• RAS 目录：该文档在文档树中的组织位置（与 address-translation 等篇章并列）。

【免费下载链接】linuxLinux kernel source tree项目地址: https://gitcode.com/GitHub_Trending/li/linux