Linux 2.6.33-rc8
[linux-2.6/lguest.git] / Documentation / edac.txt
blob79c533223762baa0df825995068b3c6475d90b8b
3 EDAC - Error Detection And Correction
5 Written by Doug Thompson <dougthompson@xmission.com>
6 7 Dec 2005
7 17 Jul 2007     Updated
10 EDAC is maintained and written by:
12         Doug Thompson, Dave Jiang, Dave Peterson et al,
13         original author: Thayne Harbaugh,
15 Contact:
16         website:        bluesmoke.sourceforge.net
17         mailing list:   bluesmoke-devel@lists.sourceforge.net
19 "bluesmoke" was the name for this device driver when it was "out-of-tree"
20 and maintained at sourceforge.net.  When it was pushed into 2.6.16 for the
21 first time, it was renamed to 'EDAC'.
23 The bluesmoke project at sourceforge.net is now utilized as a 'staging area'
24 for EDAC development, before it is sent upstream to kernel.org
26 At the bluesmoke/EDAC project site is a series of quilt patches against
27 recent kernels, stored in a SVN repository. For easier downloading, there
28 is also a tarball snapshot available.
30 ============================================================================
31 EDAC PURPOSE
33 The 'edac' kernel module goal is to detect and report errors that occur
34 within the computer system running under linux.
36 MEMORY
38 In the initial release, memory Correctable Errors (CE) and Uncorrectable
39 Errors (UE) are the primary errors being harvested. These types of errors
40 are harvested by the 'edac_mc' class of device.
42 Detecting CE events, then harvesting those events and reporting them,
43 CAN be a predictor of future UE events.  With CE events, the system can
44 continue to operate, but with less safety. Preventive maintenance and
45 proactive part replacement of memory DIMMs exhibiting CEs can reduce
46 the likelihood of the dreaded UE events and system 'panics'.
48 NON-MEMORY
50 A new feature for EDAC, the edac_device class of device, was added in
51 the 2.6.23 version of the kernel.
53 This new device type allows for non-memory type of ECC hardware detectors
54 to have their states harvested and presented to userspace via the sysfs
55 interface.
57 Some architectures have ECC detectors for L1, L2 and L3 caches, along with DMA
58 engines, fabric switches, main data path switches, interconnections,
59 and various other hardware data paths. If the hardware reports it, then
60 a edac_device device probably can be constructed to harvest and present
61 that to userspace.
64 PCI BUS SCANNING
66 In addition, PCI Bus Parity and SERR Errors are scanned for on PCI devices
67 in order to determine if errors are occurring on data transfers.
69 The presence of PCI Parity errors must be examined with a grain of salt.
70 There are several add-in adapters that do NOT follow the PCI specification
71 with regards to Parity generation and reporting. The specification says
72 the vendor should tie the parity status bits to 0 if they do not intend
73 to generate parity.  Some vendors do not do this, and thus the parity bit
74 can "float" giving false positives.
76 In the kernel there is a PCI device attribute located in sysfs that is
77 checked by the EDAC PCI scanning code. If that attribute is set,
78 PCI parity/error scanning is skipped for that device. The attribute
79 is:
81         broken_parity_status
83 as is located in /sys/devices/pci<XXX>/0000:XX:YY.Z directories for
84 PCI devices.
86 FUTURE HARDWARE SCANNING
88 EDAC will have future error detectors that will be integrated with
89 EDAC or added to it, in the following list:
91         MCE     Machine Check Exception
92         MCA     Machine Check Architecture
93         NMI     NMI notification of ECC errors
94         MSRs    Machine Specific Register error cases
95         and other mechanisms.
97 These errors are usually bus errors, ECC errors, thermal throttling
98 and the like.
101 ============================================================================
102 EDAC VERSIONING
104 EDAC is composed of a "core" module (edac_core.ko) and several Memory
105 Controller (MC) driver modules. On a given system, the CORE
106 is loaded and one MC driver will be loaded. Both the CORE and
107 the MC driver (or edac_device driver) have individual versions that reflect
108 current release level of their respective modules.
110 Thus, to "report" on what version a system is running, one must report both
111 the CORE's and the MC driver's versions.
114 LOADING
116 If 'edac' was statically linked with the kernel then no loading is
117 necessary.  If 'edac' was built as modules then simply modprobe the
118 'edac' pieces that you need.  You should be able to modprobe
119 hardware-specific modules and have the dependencies load the necessary core
120 modules.
122 Example:
124 $> modprobe amd76x_edac
126 loads both the amd76x_edac.ko memory controller module and the edac_mc.ko
127 core module.
130 ============================================================================
131 EDAC sysfs INTERFACE
133 EDAC presents a 'sysfs' interface for control, reporting and attribute
134 reporting purposes.
136 EDAC lives in the /sys/devices/system/edac directory.
138 Within this directory there currently reside 2 'edac' components:
140         mc      memory controller(s) system
141         pci     PCI control and status system
144 ============================================================================
145 Memory Controller (mc) Model
147 First a background on the memory controller's model abstracted in EDAC.
148 Each 'mc' device controls a set of DIMM memory modules. These modules are
149 laid out in a Chip-Select Row (csrowX) and Channel table (chX). There can
150 be multiple csrows and multiple channels.
152 Memory controllers allow for several csrows, with 8 csrows being a typical value.
153 Yet, the actual number of csrows depends on the electrical "loading"
154 of a given motherboard, memory controller and DIMM characteristics.
156 Dual channels allows for 128 bit data transfers to the CPU from memory.
157 Some newer chipsets allow for more than 2 channels, like Fully Buffered DIMMs
158 (FB-DIMMs). The following example will assume 2 channels:
161                 Channel 0       Channel 1
162         ===================================
163         csrow0  | DIMM_A0       | DIMM_B0 |
164         csrow1  | DIMM_A0       | DIMM_B0 |
165         ===================================
167         ===================================
168         csrow2  | DIMM_A1       | DIMM_B1 |
169         csrow3  | DIMM_A1       | DIMM_B1 |
170         ===================================
172 In the above example table there are 4 physical slots on the motherboard
173 for memory DIMMs:
175         DIMM_A0
176         DIMM_B0
177         DIMM_A1
178         DIMM_B1
180 Labels for these slots are usually silk screened on the motherboard. Slots
181 labeled 'A' are channel 0 in this example. Slots labeled 'B'
182 are channel 1. Notice that there are two csrows possible on a
183 physical DIMM. These csrows are allocated their csrow assignment
184 based on the slot into which the memory DIMM is placed. Thus, when 1 DIMM
185 is placed in each Channel, the csrows cross both DIMMs.
187 Memory DIMMs come single or dual "ranked". A rank is a populated csrow.
188 Thus, 2 single ranked DIMMs, placed in slots DIMM_A0 and DIMM_B0 above
189 will have 1 csrow, csrow0. csrow1 will be empty. On the other hand,
190 when 2 dual ranked DIMMs are similarly placed, then both csrow0 and
191 csrow1 will be populated. The pattern repeats itself for csrow2 and
192 csrow3.
194 The representation of the above is reflected in the directory tree
195 in EDAC's sysfs interface. Starting in directory
196 /sys/devices/system/edac/mc each memory controller will be represented
197 by its own 'mcX' directory, where 'X" is the index of the MC.
200         ..../edac/mc/
201                    |
202                    |->mc0
203                    |->mc1
204                    |->mc2
205                    ....
207 Under each 'mcX' directory each 'csrowX' is again represented by a
208 'csrowX', where 'X" is the csrow index:
211         .../mc/mc0/
212                 |
213                 |->csrow0
214                 |->csrow2
215                 |->csrow3
216                 ....
218 Notice that there is no csrow1, which indicates that csrow0 is
219 composed of a single ranked DIMMs. This should also apply in both
220 Channels, in order to have dual-channel mode be operational. Since
221 both csrow2 and csrow3 are populated, this indicates a dual ranked
222 set of DIMMs for channels 0 and 1.
225 Within each of the 'mcX' and 'csrowX' directories are several
226 EDAC control and attribute files.
228 ============================================================================
229 'mcX' DIRECTORIES
232 In 'mcX' directories are EDAC control and attribute files for
233 this 'X" instance of the memory controllers:
236 Counter reset control file:
238         'reset_counters'
240         This write-only control file will zero all the statistical counters
241         for UE and CE errors.  Zeroing the counters will also reset the timer
242         indicating how long since the last counter zero.  This is useful
243         for computing errors/time.  Since the counters are always reset at
244         driver initialization time, no module/kernel parameter is available.
246         RUN TIME: echo "anything" >/sys/devices/system/edac/mc/mc0/counter_reset
248                 This resets the counters on memory controller 0
251 Seconds since last counter reset control file:
253         'seconds_since_reset'
255         This attribute file displays how many seconds have elapsed since the
256         last counter reset. This can be used with the error counters to
257         measure error rates.
261 Memory Controller name attribute file:
263         'mc_name'
265         This attribute file displays the type of memory controller
266         that is being utilized.
269 Total memory managed by this memory controller attribute file:
271         'size_mb'
273         This attribute file displays, in count of megabytes, of memory
274         that this instance of memory controller manages.
277 Total Uncorrectable Errors count attribute file:
279         'ue_count'
281         This attribute file displays the total count of uncorrectable
282         errors that have occurred on this memory controller. If panic_on_ue
283         is set this counter will not have a chance to increment,
284         since EDAC will panic the system.
287 Total UE count that had no information attribute fileY:
289         'ue_noinfo_count'
291         This attribute file displays the number of UEs that have occurred
292         with no information as to which DIMM slot is having errors.
295 Total Correctable Errors count attribute file:
297         'ce_count'
299         This attribute file displays the total count of correctable
300         errors that have occurred on this memory controller. This
301         count is very important to examine. CEs provide early
302         indications that a DIMM is beginning to fail. This count
303         field should be monitored for non-zero values and report
304         such information to the system administrator.
307 Total Correctable Errors count attribute file:
309         'ce_noinfo_count'
311         This attribute file displays the number of CEs that
312         have occurred wherewith no informations as to which DIMM slot
313         is having errors. Memory is handicapped, but operational,
314         yet no information is available to indicate which slot
315         the failing memory is in. This count field should be also
316         be monitored for non-zero values.
318 Device Symlink:
320         'device'
322         Symlink to the memory controller device.
324 Sdram memory scrubbing rate:
326         'sdram_scrub_rate'
328         Read/Write attribute file that controls memory scrubbing. The scrubbing
329         rate is set by writing a minimum bandwidth in bytes/sec to the attribute
330         file. The rate will be translated to an internal value that gives at
331         least the specified rate.
333         Reading the file will return the actual scrubbing rate employed.
335         If configuration fails or memory scrubbing is not implemented, the value
336         of the attribute file will be -1.
340 ============================================================================
341 'csrowX' DIRECTORIES
343 In the 'csrowX' directories are EDAC control and attribute files for
344 this 'X" instance of csrow:
347 Total Uncorrectable Errors count attribute file:
349         'ue_count'
351         This attribute file displays the total count of uncorrectable
352         errors that have occurred on this csrow. If panic_on_ue is set
353         this counter will not have a chance to increment, since EDAC
354         will panic the system.
357 Total Correctable Errors count attribute file:
359         'ce_count'
361         This attribute file displays the total count of correctable
362         errors that have occurred on this csrow. This
363         count is very important to examine. CEs provide early
364         indications that a DIMM is beginning to fail. This count
365         field should be monitored for non-zero values and report
366         such information to the system administrator.
369 Total memory managed by this csrow attribute file:
371         'size_mb'
373         This attribute file displays, in count of megabytes, of memory
374         that this csrow contains.
377 Memory Type attribute file:
379         'mem_type'
381         This attribute file will display what type of memory is currently
382         on this csrow. Normally, either buffered or unbuffered memory.
383         Examples:
384                 Registered-DDR
385                 Unbuffered-DDR
388 EDAC Mode of operation attribute file:
390         'edac_mode'
392         This attribute file will display what type of Error detection
393         and correction is being utilized.
396 Device type attribute file:
398         'dev_type'
400         This attribute file will display what type of DRAM device is
401         being utilized on this DIMM.
402         Examples:
403                 x1
404                 x2
405                 x4
406                 x8
409 Channel 0 CE Count attribute file:
411         'ch0_ce_count'
413         This attribute file will display the count of CEs on this
414         DIMM located in channel 0.
417 Channel 0 UE Count attribute file:
419         'ch0_ue_count'
421         This attribute file will display the count of UEs on this
422         DIMM located in channel 0.
425 Channel 0 DIMM Label control file:
427         'ch0_dimm_label'
429         This control file allows this DIMM to have a label assigned
430         to it. With this label in the module, when errors occur
431         the output can provide the DIMM label in the system log.
432         This becomes vital for panic events to isolate the
433         cause of the UE event.
435         DIMM Labels must be assigned after booting, with information
436         that correctly identifies the physical slot with its
437         silk screen label. This information is currently very
438         motherboard specific and determination of this information
439         must occur in userland at this time.
442 Channel 1 CE Count attribute file:
444         'ch1_ce_count'
446         This attribute file will display the count of CEs on this
447         DIMM located in channel 1.
450 Channel 1 UE Count attribute file:
452         'ch1_ue_count'
454         This attribute file will display the count of UEs on this
455         DIMM located in channel 0.
458 Channel 1 DIMM Label control file:
460         'ch1_dimm_label'
462         This control file allows this DIMM to have a label assigned
463         to it. With this label in the module, when errors occur
464         the output can provide the DIMM label in the system log.
465         This becomes vital for panic events to isolate the
466         cause of the UE event.
468         DIMM Labels must be assigned after booting, with information
469         that correctly identifies the physical slot with its
470         silk screen label. This information is currently very
471         motherboard specific and determination of this information
472         must occur in userland at this time.
474 ============================================================================
475 SYSTEM LOGGING
477 If logging for UEs and CEs are enabled then system logs will have
478 error notices indicating errors that have been detected:
480 EDAC MC0: CE page 0x283, offset 0xce0, grain 8, syndrome 0x6ec3, row 0,
481 channel 1 "DIMM_B1": amd76x_edac
483 EDAC MC0: CE page 0x1e5, offset 0xfb0, grain 8, syndrome 0xb741, row 0,
484 channel 1 "DIMM_B1": amd76x_edac
487 The structure of the message is:
488         the memory controller                   (MC0)
489         Error type                              (CE)
490         memory page                             (0x283)
491         offset in the page                      (0xce0)
492         the byte granularity                    (grain 8)
493                 or resolution of the error
494         the error syndrome                      (0xb741)
495         memory row                              (row 0)
496         memory channel                          (channel 1)
497         DIMM label, if set prior                (DIMM B1
498         and then an optional, driver-specific message that may
499                 have additional information.
501 Both UEs and CEs with no info will lack all but memory controller,
502 error type, a notice of "no info" and then an optional,
503 driver-specific error message.
506 ============================================================================
507 PCI Bus Parity Detection
510 On Header Type 00 devices the primary status is looked at
511 for any parity error regardless of whether Parity is enabled on the
512 device.  (The spec indicates parity is generated in some cases).
513 On Header Type 01 bridges, the secondary status register is also
514 looked at to see if parity occurred on the bus on the other side of
515 the bridge.
518 SYSFS CONFIGURATION
520 Under /sys/devices/system/edac/pci are control and attribute files as follows:
523 Enable/Disable PCI Parity checking control file:
525         'check_pci_parity'
528         This control file enables or disables the PCI Bus Parity scanning
529         operation. Writing a 1 to this file enables the scanning. Writing
530         a 0 to this file disables the scanning.
532         Enable:
533         echo "1" >/sys/devices/system/edac/pci/check_pci_parity
535         Disable:
536         echo "0" >/sys/devices/system/edac/pci/check_pci_parity
539 Parity Count:
541         'pci_parity_count'
543         This attribute file will display the number of parity errors that
544         have been detected.
547 ============================================================================
548 MODULE PARAMETERS
550 Panic on UE control file:
552         'edac_mc_panic_on_ue'
554         An uncorrectable error will cause a machine panic.  This is usually
555         desirable.  It is a bad idea to continue when an uncorrectable error
556         occurs - it is indeterminate what was uncorrected and the operating
557         system context might be so mangled that continuing will lead to further
558         corruption. If the kernel has MCE configured, then EDAC will never
559         notice the UE.
561         LOAD TIME: module/kernel parameter: edac_mc_panic_on_ue=[0|1]
563         RUN TIME:  echo "1" > /sys/module/edac_core/parameters/edac_mc_panic_on_ue
566 Log UE control file:
568         'edac_mc_log_ue'
570         Generate kernel messages describing uncorrectable errors.  These errors
571         are reported through the system message log system.  UE statistics
572         will be accumulated even when UE logging is disabled.
574         LOAD TIME: module/kernel parameter: edac_mc_log_ue=[0|1]
576         RUN TIME: echo "1" > /sys/module/edac_core/parameters/edac_mc_log_ue
579 Log CE control file:
581         'edac_mc_log_ce'
583         Generate kernel messages describing correctable errors.  These
584         errors are reported through the system message log system.
585         CE statistics will be accumulated even when CE logging is disabled.
587         LOAD TIME: module/kernel parameter: edac_mc_log_ce=[0|1]
589         RUN TIME: echo "1" > /sys/module/edac_core/parameters/edac_mc_log_ce
592 Polling period control file:
594         'edac_mc_poll_msec'
596         The time period, in milliseconds, for polling for error information.
597         Too small a value wastes resources.  Too large a value might delay
598         necessary handling of errors and might loose valuable information for
599         locating the error.  1000 milliseconds (once each second) is the current
600         default. Systems which require all the bandwidth they can get, may
601         increase this.
603         LOAD TIME: module/kernel parameter: edac_mc_poll_msec=[0|1]
605         RUN TIME: echo "1000" > /sys/module/edac_core/parameters/edac_mc_poll_msec
608 Panic on PCI PARITY Error:
610         'panic_on_pci_parity'
613         This control files enables or disables panicking when a parity
614         error has been detected.
617         module/kernel parameter: edac_panic_on_pci_pe=[0|1]
619         Enable:
620         echo "1" > /sys/module/edac_core/parameters/edac_panic_on_pci_pe
622         Disable:
623         echo "0" > /sys/module/edac_core/parameters/edac_panic_on_pci_pe
627 =======================================================================
630 EDAC_DEVICE type of device
632 In the header file, edac_core.h, there is a series of edac_device structures
633 and APIs for the EDAC_DEVICE.
635 User space access to an edac_device is through the sysfs interface.
637 At the location /sys/devices/system/edac (sysfs) new edac_device devices will
638 appear.
640 There is a three level tree beneath the above 'edac' directory. For example,
641 the 'test_device_edac' device (found at the bluesmoke.sourceforget.net website)
642 installs itself as:
644         /sys/devices/systm/edac/test-instance
646 in this directory are various controls, a symlink and one or more 'instance'
647 directorys.
649 The standard default controls are:
651         log_ce          boolean to log CE events
652         log_ue          boolean to log UE events
653         panic_on_ue     boolean to 'panic' the system if an UE is encountered
654                         (default off, can be set true via startup script)
655         poll_msec       time period between POLL cycles for events
657 The test_device_edac device adds at least one of its own custom control:
659         test_bits       which in the current test driver does nothing but
660                         show how it is installed. A ported driver can
661                         add one or more such controls and/or attributes
662                         for specific uses.
663                         One out-of-tree driver uses controls here to allow
664                         for ERROR INJECTION operations to hardware
665                         injection registers
667 The symlink points to the 'struct dev' that is registered for this edac_device.
669 INSTANCES
671 One or more instance directories are present. For the 'test_device_edac' case:
673         test-instance0
676 In this directory there are two default counter attributes, which are totals of
677 counter in deeper subdirectories.
679         ce_count        total of CE events of subdirectories
680         ue_count        total of UE events of subdirectories
682 BLOCKS
684 At the lowest directory level is the 'block' directory. There can be 0, 1
685 or more blocks specified in each instance.
687         test-block0
690 In this directory the default attributes are:
692         ce_count        which is counter of CE events for this 'block'
693                         of hardware being monitored
694         ue_count        which is counter of UE events for this 'block'
695                         of hardware being monitored
698 The 'test_device_edac' device adds 4 attributes and 1 control:
700         test-block-bits-0       for every POLL cycle this counter
701                                 is incremented
702         test-block-bits-1       every 10 cycles, this counter is bumped once,
703                                 and test-block-bits-0 is set to 0
704         test-block-bits-2       every 100 cycles, this counter is bumped once,
705                                 and test-block-bits-1 is set to 0
706         test-block-bits-3       every 1000 cycles, this counter is bumped once,
707                                 and test-block-bits-2 is set to 0
710         reset-counters          writing ANY thing to this control will
711                                 reset all the above counters.
714 Use of the 'test_device_edac' driver should any others to create their own
715 unique drivers for their hardware systems.
717 The 'test_device_edac' sample driver is located at the
718 bluesmoke.sourceforge.net project site for EDAC.