[发明专利]一种基于内存错误的服务器预警方法

说明书

技术领域

本发明涉及大型服务器管理技术领域, 具体地说是一种基于内存错误的服务器预警方法。

背景技术

1、当前的服务器监控系统主要通过带外监控来监控系统的温度，电压和风扇转速等信息控制系统外部环境的稳定。这些带外的方法无法覆盖内存系统内存发生错误，尤其是当今服务器集群系统内存条动则成百上千，一旦出问题很难定位；

2、当前的监控系统主要是基于时间的轮询机制，这种机制虽然在一定程度上较为高效，但是如果系统不稳定发生的时间点正好在两次轮询中间，那么监控系统就无法获取这个错误，在一定程度上漏掉了这个错误，可能导致非常严重的后果。

发明内容

本发明的目的是提供一种基于内存错误的服务器预警方法。

本发明的目的是按以下方式实现的，包括以下步骤：

(1)检查BIOS的设置是否开启了内存预警；

(2) 如果开启了内存预警则转步骤3），否则返回；

(3) 在服务器初始化阶段设置CPU中断，当其检测到内存错误的时候发出SMI中断；

(4) 当CPU检测到ECC校验错误时发出SMI中断；

(5)  BIOS的SMI Handler检测BIOS的设置是否开启了RAS，如果开启RAS则转步骤6），否则转步骤8；

(6) 检测内存错误数是否达到了启动RAS特性的临界值，若使是，转步骤7），否则转步骤8）；

(7) 根据RAS设置包括：内存热备，内存镜像，内存双颗粒数据校正，来采取对应的措施，并且通过IPMI命令将对应的事件发送给BMC；

(8) 将发生错误的内存条的信息以及当前其总计发生的错误数目发送到BMC；

(9) BMC将BIOS发送的信息以易读的方式实时解析到界面，并且实时的以Mail的方式发送给系统管理员，方便下次停机维护的时候对对应发生错误的内存进行处置。

实时SMI中断来处理内存错误，不需要操作系统有任何参与，在系统没有发生内存错误时候不会有任何额外开销，高效监控。

基于系统运行时内存的稳定预警，区别于传统的只能监控温度，电压等因素的预警，是一种更深层次的预警机制。

本发明的有益效果如下： 

1）通过系统中断的方式处理错误，在BIOS级别做全部处理，不需要操作系统的参与，更加实时高效；精确定位内存出错位置，而且不会漏掉任何一个发生的错误，更加安全；在系统发生内存错误时利用RAS特性做系统内存低层次的恢复，从而保证了系统的稳定运行，在大型企业级服务器集群上更为重要；

2）在系统内存初始化时根据BIOS的设置选项选择CPU在检查到内存ECC校验错误时候是否发出SMI中断；

3）在系统运行的过程中，若CPU检查到内存ECC校验错误，则通过中断发送出来；

4）BIOS在收到中断后通过判断错误的级别是否需要采取进一步的RAS恢复，以及将错误恢复结果和具体错误内存条信息发送到BMC；

5）BMC来解析错误具体信息并且将其发送到管理员邮箱，由系统管理员决定。

附图说明

图1是系统部署流程图。

具体实施方式

参照说明书附图对本发明的方法作以下详细地说明。

BIOS将预警功能在Setup界面上做给用户做出选择。具体实现流程：

(1) 如果开启了内存预警则转3，否则返回；

(2) 在服务器的内存初始化阶段设置CPU对应寄存器，当其检测到内存错误的时候发出SMI中断；

(3) 在SMI的Handler里面注册对应此功能的调用函数，在入口处判断是否是自己需要处理的事件；

(4) 当CPU检测到ECC校验错误时发出SMI中断时。SMI Handler需要做得事情包括:

① 检测BIOS的设置是否开启了RAS，如果开启RAS则转②否则转④；

② 检测内存错误数是否达到了启动RAS特性的临界值，若使是，转③，否则转④；

③ 根据RAS设置(内存热备，内存镜像，内存双颗粒数据校正)来采取对应的措施，并且通过IPMI命令将对应的事件发送给BMC；

④ 将发生错误的内存条的信息以及当前其总计发生的错误数目发送到BMC。

BMC将BIOS发送的信息以易读的方式实时解析到界面，并且实时的以Mail的方式发送给系统管理员，方便下次停机维护的时候对对应发生错误的内存

除说明书所述的技术特征外，均为本专业技术人员的已知技术。