[发明专利]故障处理方法、装置及服务器

说明书

本申请提供一种故障处理方法、装置及服务器，该方法包括：基板管理控制器BMC接收第一故障信息，根据第一故障信息确定故障会干扰到服务器正常运行时，BMC主动获取出现故障的目标PCIe设备对应的第二故障信息，该第二故障信息包括目标PCIe设备内部以及与目标PCIe设备连接的模块的故障信息，然后BMC根据第一故障信息和第二故障信息定位目标PCIe设备所在的服务器的故障。BMC根据初步获取的故障信息确定故障会干扰到服务器正常运行时，BMC可以进一步收集目标PCIe设备的故障信息，对故障信息的收集更加全面，故障定位更加精确，并在主机处于宕机状态时，可以通过带外BMC采集故障信息并对故障进行准确定位。

技术领域

本申请涉及计算机技术领域，尤其涉及一种故障处理方法、装置及服务器。

背景技术

在人工智能(artificial intelligence，AI)领域的AI计算中，服务器对算力的需求不断增加，同时对服务器的可靠性、可用性及可服务性(reliability availability andserviceability，RAS)的要求也越来越高。

为了提供足够的算力，集成多个AI芯片(例如图像处理单元(graphicsprocessing unit，GPU)、神经处理单元(neural processing unit，NPU)以及张量处理单元(tensor processing unit，TPU)等)的服务器应运而生。通过多个AI芯片互联形成多P系统，为AI计算提供更强的算力。在包括多个AI芯片的服务器中，从主机管理系统来看，AI芯片是快捷外围部件互连标准(peripheral component interconnect express，PCIe)设备，当AI芯片出现故障时，主机管理系统对AI芯片的故障定位依赖于高级错误报告(advancederror reporting，AER)，通过PCIe AER Code等带内日志实现故障定位，但是根据PCIe AERCode进行定位时，只能定位到与中央处理器(central processing unit，CPU)互联的AI芯片，故障定位粒度较粗，无法提供更多的故障数据支持故障维修，并且在主机管理系统出现故障宕机时，服务器无法实现故障信息的收集与故障定位。

发明内容

本申请实施例公开了一种故障处理方法、装置及服务器，可以使服务器对故障信息的收集更加全面，故障定位更加精确。并在在主机处于宕机状态时，通过带外基板管理控制器(baseboard management controller，BMC)采集故障信息并对故障准确定位。

第一方面，本申请提供一种故障处理方法，该方法包括：BMC接收第一故障信息，该第一故障信息指示目标快捷外围部件互连标准PCIe设备发生故障；BMC根据第一故障信息确定目标PCIe设备的故障类型；在故障类型为预设故障类型的情况下，获取目标PCIe设备对应的故障寄存器中的第二故障信息；根据第一故障信息和第二故障信息定位包含目标PCIe设备的服务器的故障。

BMC先根据第一故障信息确定目标PCIe设备出现的故障是否是预设故障类型，若为预设故障类型，则说明该目标PCIe设备出现的故障会干扰到服务器的正常运行，甚至导致服务器宕机。在BMC确定目标PCIe设备出现预设故障类型的故障时，BMC主动收集目标PCIe设备对应的故障寄存器中的第二故障信息，实现进一步的故障信息收集。通过带外BMC获取第一故障信息和第二故障信息，BMC根据第一故障信息和第二故障信息定位服务器的故障，对故障定位更加精确，解决了带内主机管理系统仅根据第一故障信息定位故障，导致故障定位粒度较粗的问题，对服务器的维护效率更高。同时可以解决在主机管理系统出现故障宕机时，服务器无法通过带内方式实现故障信息的收集与故障定位的问题。

在一种可能的实现方式中，上述第二故障信息包括目标PCIe设备内部的故障信息和/或与目标PCIe设备连接的模块的故障信息；其中，上述第一故障信息存储于目标PCIe设备的AER寄存器中，上述第二故障信息存储于目标PCIe设备的RAS寄存器中。