Eu tenho uma pilha de servidores Sun X2200-M2. Esses servidores possuem memória ECC.
Em alguns desses servidores, estou recebendo avisos no eLOM sobre "erros corrigíveis de ECC detectados", por exemplo:
# 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
... alguns com mais frequência do que outros.
O kernel nesse sistema em particular também está lançando erros EDAC, embora com muito mais frequência do que o eLOM esteja registrando eventos ECC:
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
Agora, se o servidor estiver detectando ECC incorrigível, o sistema será redefinido, o que é muito ruim e a remoção / substituição do par ou manche identificado corrige o problema.
Mas estou pensando que, se o erro for corrigível, não haverá problema imediato - posso tratar isso como um aviso e estar preparado para puxar o stick / par se um erro incorrigível começar a ocorrer?