Linux 4.15.6
[linux/fpc-iii.git] / Documentation / admin-guide / ras.rst
blob197896718f8130368b2b0eb4548d767e31d942db
1 .. include:: <isonum.txt>
3 ============================================
4 Reliability, Availability and Serviceability
5 ============================================
7 RAS concepts
8 ************
10 Reliability, Availability and Serviceability (RAS) is a concept used on
11 servers meant to measure their robustness.
13 Reliability
14   is the probability that a system will produce correct outputs.
16   * Generally measured as Mean Time Between Failures (MTBF)
17   * Enhanced by features that help to avoid, detect and repair hardware faults
19 Availability
20   is the probability that a system is operational at a given time
22   * Generally measured as a percentage of downtime per a period of time
23   * Often uses mechanisms to detect and correct hardware faults in
24     runtime;
26 Serviceability (or maintainability)
27   is the simplicity and speed with which a system can be repaired or
28   maintained
30   * Generally measured on Mean Time Between Repair (MTBR)
32 Improving RAS
33 -------------
35 In order to reduce systems downtime, a system should be capable of detecting
36 hardware errors, and, when possible correcting them in runtime. It should
37 also provide mechanisms to detect hardware degradation, in order to warn
38 the system administrator to take the action of replacing a component before
39 it causes data loss or system downtime.
41 Among the monitoring measures, the most usual ones include:
43 * CPU – detect errors at instruction execution and at L1/L2/L3 caches;
44 * Memory – add error correction logic (ECC) to detect and correct errors;
45 * I/O – add CRC checksums for transferred data;
46 * Storage – RAID, journal file systems, checksums,
47   Self-Monitoring, Analysis and Reporting Technology (SMART).
49 By monitoring the number of occurrences of error detections, it is possible
50 to identify if the probability of hardware errors is increasing, and, on such
51 case, do a preventive maintenance to replace a degraded component while
52 those errors are correctable.
54 Types of errors
55 ---------------
57 Most mechanisms used on modern systems use use technologies like Hamming
58 Codes that allow error correction when the number of errors on a bit packet
59 is below a threshold. If the number of errors is above, those mechanisms
60 can indicate with a high degree of confidence that an error happened, but
61 they can't correct.
63 Also, sometimes an error occur on a component that it is not used. For
64 example, a part of the memory that it is not currently allocated.
66 That defines some categories of errors:
68 * **Correctable Error (CE)** - the error detection mechanism detected and
69   corrected the error. Such errors are usually not fatal, although some
70   Kernel mechanisms allow the system administrator to consider them as fatal.
72 * **Uncorrected Error (UE)** - the amount of errors happened above the error
73   correction threshold, and the system was unable to auto-correct.
75 * **Fatal Error** - when an UE error happens on a critical component of the
76   system (for example, a piece of the Kernel got corrupted by an UE), the
77   only reliable way to avoid data corruption is to hang or reboot the machine.
79 * **Non-fatal Error** - when an UE error happens on an unused component,
80   like a CPU in power down state or an unused memory bank, the system may
81   still run, eventually replacing the affected hardware by a hot spare,
82   if available.
84   Also, when an error happens on a userspace process, it is also possible to
85   kill such process and let userspace restart it.
87 The mechanism for handling non-fatal errors is usually complex and may
88 require the help of some userspace application, in order to apply the
89 policy desired by the system administrator.
91 Identifying a bad hardware component
92 ------------------------------------
94 Just detecting a hardware flaw is usually not enough, as the system needs
95 to pinpoint to the minimal replaceable unit (MRU) that should be exchanged
96 to make the hardware reliable again.
98 So, it requires not only error logging facilities, but also mechanisms that
99 will translate the error message to the silkscreen or component label for
100 the MRU.
102 Typically, it is very complex for memory, as modern CPUs interlace memory
103 from different memory modules, in order to provide a better performance. The
104 DMI BIOS usually have a list of memory module labels, with can be obtained
105 using the ``dmidecode`` tool. For example, on a desktop machine, it shows::
107         Memory Device
108                 Total Width: 64 bits
109                 Data Width: 64 bits
110                 Size: 16384 MB
111                 Form Factor: SODIMM
112                 Set: None
113                 Locator: ChannelA-DIMM0
114                 Bank Locator: BANK 0
115                 Type: DDR4
116                 Type Detail: Synchronous
117                 Speed: 2133 MHz
118                 Rank: 2
119                 Configured Clock Speed: 2133 MHz
121 On the above example, a DDR4 SO-DIMM memory module is located at the
122 system's memory labeled as "BANK 0", as given by the *bank locator* field.
123 Please notice that, on such system, the *total width* is equal to the
124 *data width*. It means that such memory module doesn't have error
125 detection/correction mechanisms.
127 Unfortunately, not all systems use the same field to specify the memory
128 bank. On this example, from an older server, ``dmidecode`` shows::
130         Memory Device
131                 Array Handle: 0x1000
132                 Error Information Handle: Not Provided
133                 Total Width: 72 bits
134                 Data Width: 64 bits
135                 Size: 8192 MB
136                 Form Factor: DIMM
137                 Set: 1
138                 Locator: DIMM_A1
139                 Bank Locator: Not Specified
140                 Type: DDR3
141                 Type Detail: Synchronous Registered (Buffered)
142                 Speed: 1600 MHz
143                 Rank: 2
144                 Configured Clock Speed: 1600 MHz
146 There, the DDR3 RDIMM memory module is located at the system's memory labeled
147 as "DIMM_A1", as given by the *locator* field. Please notice that this
148 memory module has 64 bits of *data width* and 72 bits of *total width*. So,
149 it has 8 extra bits to be used by error detection and correction mechanisms.
150 Such kind of memory is called Error-correcting code memory (ECC memory).
152 To make things even worse, it is not uncommon that systems with different
153 labels on their system's board to use exactly the same BIOS, meaning that
154 the labels provided by the BIOS won't match the real ones.
156 ECC memory
157 ----------
159 As mentioned on the previous section, ECC memory has extra bits to be
160 used for error correction. So, on 64 bit systems, a memory module
161 has 64 bits of *data width*, and 74 bits of *total width*. So, there are
162 8 bits extra bits to be used for the error detection and correction
163 mechanisms. Those extra bits are called *syndrome*\ [#f1]_\ [#f2]_.
165 So, when the cpu requests the memory controller to write a word with
166 *data width*, the memory controller calculates the *syndrome* in real time,
167 using Hamming code, or some other error correction code, like SECDED+,
168 producing a code with *total width* size. Such code is then written
169 on the memory modules.
171 At read, the *total width* bits code is converted back, using the same
172 ECC code used on write, producing a word with *data width* and a *syndrome*.
173 The word with *data width* is sent to the CPU, even when errors happen.
175 The memory controller also looks at the *syndrome* in order to check if
176 there was an error, and if the ECC code was able to fix such error.
177 If the error was corrected, a Corrected Error (CE) happened. If not, an
178 Uncorrected Error (UE) happened.
180 The information about the CE/UE errors is stored on some special registers
181 at the memory controller and can be accessed by reading such registers,
182 either by BIOS, by some special CPUs or by Linux EDAC driver. On x86 64
183 bit CPUs, such errors can also be retrieved via the Machine Check
184 Architecture (MCA)\ [#f3]_.
186 .. [#f1] Please notice that several memory controllers allow operation on a
187   mode called "Lock-Step", where it groups two memory modules together,
188   doing 128-bit reads/writes. That gives 16 bits for error correction, with
189   significantly improves the error correction mechanism, at the expense
190   that, when an error happens, there's no way to know what memory module is
191   to blame. So, it has to blame both memory modules.
193 .. [#f2] Some memory controllers also allow using memory in mirror mode.
194   On such mode, the same data is written to two memory modules. At read,
195   the system checks both memory modules, in order to check if both provide
196   identical data. On such configuration, when an error happens, there's no
197   way to know what memory module is to blame. So, it has to blame both
198   memory modules (or 4 memory modules, if the system is also on Lock-step
199   mode).
201 .. [#f3] For more details about the Machine Check Architecture (MCA),
202   please read Documentation/x86/x86_64/machinecheck at the Kernel tree.
204 EDAC - Error Detection And Correction
205 *************************************
207 .. note::
209    "bluesmoke" was the name for this device driver subsystem when it
210    was "out-of-tree" and maintained at http://bluesmoke.sourceforge.net.
211    That site is mostly archaic now and can be used only for historical
212    purposes.
214    When the subsystem was pushed upstream for the first time, on
215    Kernel 2.6.16, for the first time, it was renamed to ``EDAC``.
217 Purpose
218 -------
220 The ``edac`` kernel module's goal is to detect and report hardware errors
221 that occur within the computer system running under linux.
223 Memory
224 ------
226 Memory Correctable Errors (CE) and Uncorrectable Errors (UE) are the
227 primary errors being harvested. These types of errors are harvested by
228 the ``edac_mc`` device.
230 Detecting CE events, then harvesting those events and reporting them,
231 **can** but must not necessarily be a predictor of future UE events. With
232 CE events only, the system can and will continue to operate as no data
233 has been damaged yet.
235 However, preventive maintenance and proactive part replacement of memory
236 modules exhibiting CEs can reduce the likelihood of the dreaded UE events
237 and system panics.
239 Other hardware elements
240 -----------------------
242 A new feature for EDAC, the ``edac_device`` class of device, was added in
243 the 2.6.23 version of the kernel.
245 This new device type allows for non-memory type of ECC hardware detectors
246 to have their states harvested and presented to userspace via the sysfs
247 interface.
249 Some architectures have ECC detectors for L1, L2 and L3 caches,
250 along with DMA engines, fabric switches, main data path switches,
251 interconnections, and various other hardware data paths. If the hardware
252 reports it, then a edac_device device probably can be constructed to
253 harvest and present that to userspace.
256 PCI bus scanning
257 ----------------
259 In addition, PCI devices are scanned for PCI Bus Parity and SERR Errors
260 in order to determine if errors are occurring during data transfers.
262 The presence of PCI Parity errors must be examined with a grain of salt.
263 There are several add-in adapters that do **not** follow the PCI specification
264 with regards to Parity generation and reporting. The specification says
265 the vendor should tie the parity status bits to 0 if they do not intend
266 to generate parity.  Some vendors do not do this, and thus the parity bit
267 can "float" giving false positives.
269 There is a PCI device attribute located in sysfs that is checked by
270 the EDAC PCI scanning code. If that attribute is set, PCI parity/error
271 scanning is skipped for that device. The attribute is::
273         broken_parity_status
275 and is located in ``/sys/devices/pci<XXX>/0000:XX:YY.Z`` directories for
276 PCI devices.
279 Versioning
280 ----------
282 EDAC is composed of a "core" module (``edac_core.ko``) and several Memory
283 Controller (MC) driver modules. On a given system, the CORE is loaded
284 and one MC driver will be loaded. Both the CORE and the MC driver (or
285 ``edac_device`` driver) have individual versions that reflect current
286 release level of their respective modules.
288 Thus, to "report" on what version a system is running, one must report
289 both the CORE's and the MC driver's versions.
292 Loading
293 -------
295 If ``edac`` was statically linked with the kernel then no loading
296 is necessary. If ``edac`` was built as modules then simply modprobe
297 the ``edac`` pieces that you need. You should be able to modprobe
298 hardware-specific modules and have the dependencies load the necessary
299 core modules.
301 Example::
303         $ modprobe amd76x_edac
305 loads both the ``amd76x_edac.ko`` memory controller module and the
306 ``edac_mc.ko`` core module.
309 Sysfs interface
310 ---------------
312 EDAC presents a ``sysfs`` interface for control and reporting purposes. It
313 lives in the /sys/devices/system/edac directory.
315 Within this directory there currently reside 2 components:
317         ======= ==============================
318         mc      memory controller(s) system
319         pci     PCI control and status system
320         ======= ==============================
324 Memory Controller (mc) Model
325 ----------------------------
327 Each ``mc`` device controls a set of memory modules [#f4]_. These modules
328 are laid out in a Chip-Select Row (``csrowX``) and Channel table (``chX``).
329 There can be multiple csrows and multiple channels.
331 .. [#f4] Nowadays, the term DIMM (Dual In-line Memory Module) is widely
332   used to refer to a memory module, although there are other memory
333   packaging alternatives, like SO-DIMM, SIMM, etc. Along this document,
334   and inside the EDAC system, the term "dimm" is used for all memory
335   modules, even when they use a different kind of packaging.
337 Memory controllers allow for several csrows, with 8 csrows being a
338 typical value. Yet, the actual number of csrows depends on the layout of
339 a given motherboard, memory controller and memory module characteristics.
341 Dual channels allow for dual data length (e. g. 128 bits, on 64 bit systems)
342 data transfers to/from the CPU from/to memory. Some newer chipsets allow
343 for more than 2 channels, like Fully Buffered DIMMs (FB-DIMMs) memory
344 controllers. The following example will assume 2 channels:
346         +------------+-----------------------+
347         | CS Rows    |       Channels        |
348         +------------+-----------+-----------+
349         |            |  ``ch0``  |  ``ch1``  |
350         +============+===========+===========+
351         | ``csrow0`` |  DIMM_A0  |  DIMM_B0  |
352         +------------+           |           |
353         | ``csrow1`` |           |           |
354         +------------+-----------+-----------+
355         | ``csrow2`` |  DIMM_A1  | DIMM_B1   |
356         +------------+           |           |
357         | ``csrow3`` |           |           |
358         +------------+-----------+-----------+
360 In the above example, there are 4 physical slots on the motherboard
361 for memory DIMMs:
363         +---------+---------+
364         | DIMM_A0 | DIMM_B0 |
365         +---------+---------+
366         | DIMM_A1 | DIMM_B1 |
367         +---------+---------+
369 Labels for these slots are usually silk-screened on the motherboard.
370 Slots labeled ``A`` are channel 0 in this example. Slots labeled ``B`` are
371 channel 1. Notice that there are two csrows possible on a physical DIMM.
372 These csrows are allocated their csrow assignment based on the slot into
373 which the memory DIMM is placed. Thus, when 1 DIMM is placed in each
374 Channel, the csrows cross both DIMMs.
376 Memory DIMMs come single or dual "ranked". A rank is a populated csrow.
377 Thus, 2 single ranked DIMMs, placed in slots DIMM_A0 and DIMM_B0 above
378 will have just one csrow (csrow0). csrow1 will be empty. On the other
379 hand, when 2 dual ranked DIMMs are similarly placed, then both csrow0
380 and csrow1 will be populated. The pattern repeats itself for csrow2 and
381 csrow3.
383 The representation of the above is reflected in the directory
384 tree in EDAC's sysfs interface. Starting in directory
385 ``/sys/devices/system/edac/mc``, each memory controller will be
386 represented by its own ``mcX`` directory, where ``X`` is the
387 index of the MC::
389         ..../edac/mc/
390                    |
391                    |->mc0
392                    |->mc1
393                    |->mc2
394                    ....
396 Under each ``mcX`` directory each ``csrowX`` is again represented by a
397 ``csrowX``, where ``X`` is the csrow index::
399         .../mc/mc0/
400                 |
401                 |->csrow0
402                 |->csrow2
403                 |->csrow3
404                 ....
406 Notice that there is no csrow1, which indicates that csrow0 is composed
407 of a single ranked DIMMs. This should also apply in both Channels, in
408 order to have dual-channel mode be operational. Since both csrow2 and
409 csrow3 are populated, this indicates a dual ranked set of DIMMs for
410 channels 0 and 1.
412 Within each of the ``mcX`` and ``csrowX`` directories are several EDAC
413 control and attribute files.
415 ``mcX`` directories
416 -------------------
418 In ``mcX`` directories are EDAC control and attribute files for
419 this ``X`` instance of the memory controllers.
421 For a description of the sysfs API, please see:
423         Documentation/ABI/testing/sysfs-devices-edac
426 ``dimmX`` or ``rankX`` directories
427 ----------------------------------
429 The recommended way to use the EDAC subsystem is to look at the information
430 provided by the ``dimmX`` or ``rankX`` directories [#f5]_.
432 A typical EDAC system has the following structure under
433 ``/sys/devices/system/edac/``\ [#f6]_::
435         /sys/devices/system/edac/
436         ├── mc
437         │   ├── mc0
438         │   │   ├── ce_count
439         │   │   ├── ce_noinfo_count
440         │   │   ├── dimm0
441         │   │   │   ├── dimm_ce_count
442         │   │   │   ├── dimm_dev_type
443         │   │   │   ├── dimm_edac_mode
444         │   │   │   ├── dimm_label
445         │   │   │   ├── dimm_location
446         │   │   │   ├── dimm_mem_type
447         │   │   │   ├── dimm_ue_count
448         │   │   │   ├── size
449         │   │   │   └── uevent
450         │   │   ├── max_location
451         │   │   ├── mc_name
452         │   │   ├── reset_counters
453         │   │   ├── seconds_since_reset
454         │   │   ├── size_mb
455         │   │   ├── ue_count
456         │   │   ├── ue_noinfo_count
457         │   │   └── uevent
458         │   ├── mc1
459         │   │   ├── ce_count
460         │   │   ├── ce_noinfo_count
461         │   │   ├── dimm0
462         │   │   │   ├── dimm_ce_count
463         │   │   │   ├── dimm_dev_type
464         │   │   │   ├── dimm_edac_mode
465         │   │   │   ├── dimm_label
466         │   │   │   ├── dimm_location
467         │   │   │   ├── dimm_mem_type
468         │   │   │   ├── dimm_ue_count
469         │   │   │   ├── size
470         │   │   │   └── uevent
471         │   │   ├── max_location
472         │   │   ├── mc_name
473         │   │   ├── reset_counters
474         │   │   ├── seconds_since_reset
475         │   │   ├── size_mb
476         │   │   ├── ue_count
477         │   │   ├── ue_noinfo_count
478         │   │   └── uevent
479         │   └── uevent
480         └── uevent
482 In the ``dimmX`` directories are EDAC control and attribute files for
483 this ``X`` memory module:
485 - ``size`` - Total memory managed by this csrow attribute file
487         This attribute file displays, in count of megabytes, the memory
488         that this csrow contains.
490 - ``dimm_ue_count`` - Uncorrectable Errors count attribute file
492         This attribute file displays the total count of uncorrectable
493         errors that have occurred on this DIMM. If panic_on_ue is set
494         this counter will not have a chance to increment, since EDAC
495         will panic the system.
497 - ``dimm_ce_count`` - Correctable Errors count attribute file
499         This attribute file displays the total count of correctable
500         errors that have occurred on this DIMM. This count is very
501         important to examine. CEs provide early indications that a
502         DIMM is beginning to fail. This count field should be
503         monitored for non-zero values and report such information
504         to the system administrator.
506 - ``dimm_dev_type``  - Device type attribute file
508         This attribute file will display what type of DRAM device is
509         being utilized on this DIMM.
510         Examples:
512                 - x1
513                 - x2
514                 - x4
515                 - x8
517 - ``dimm_edac_mode`` - EDAC Mode of operation attribute file
519         This attribute file will display what type of Error detection
520         and correction is being utilized.
522 - ``dimm_label`` - memory module label control file
524         This control file allows this DIMM to have a label assigned
525         to it. With this label in the module, when errors occur
526         the output can provide the DIMM label in the system log.
527         This becomes vital for panic events to isolate the
528         cause of the UE event.
530         DIMM Labels must be assigned after booting, with information
531         that correctly identifies the physical slot with its
532         silk screen label. This information is currently very
533         motherboard specific and determination of this information
534         must occur in userland at this time.
536 - ``dimm_location`` - location of the memory module
538         The location can have up to 3 levels, and describe how the
539         memory controller identifies the location of a memory module.
540         Depending on the type of memory and memory controller, it
541         can be:
543                 - *csrow* and *channel* - used when the memory controller
544                   doesn't identify a single DIMM - e. g. in ``rankX`` dir;
545                 - *branch*, *channel*, *slot* - typically used on FB-DIMM memory
546                   controllers;
547                 - *channel*, *slot* - used on Nehalem and newer Intel drivers.
549 - ``dimm_mem_type`` - Memory Type attribute file
551         This attribute file will display what type of memory is currently
552         on this csrow. Normally, either buffered or unbuffered memory.
553         Examples:
555                 - Registered-DDR
556                 - Unbuffered-DDR
558 .. [#f5] On some systems, the memory controller doesn't have any logic
559   to identify the memory module. On such systems, the directory is called ``rankX`` and works on a similar way as the ``csrowX`` directories.
560   On modern Intel memory controllers, the memory controller identifies the
561   memory modules directly. On such systems, the directory is called ``dimmX``.
563 .. [#f6] There are also some ``power`` directories and ``subsystem``
564   symlinks inside the sysfs mapping that are automatically created by
565   the sysfs subsystem. Currently, they serve no purpose.
567 ``csrowX`` directories
568 ----------------------
570 When CONFIG_EDAC_LEGACY_SYSFS is enabled, sysfs will contain the ``csrowX``
571 directories. As this API doesn't work properly for Rambus, FB-DIMMs and
572 modern Intel Memory Controllers, this is being deprecated in favor of
573 ``dimmX`` directories.
575 In the ``csrowX`` directories are EDAC control and attribute files for
576 this ``X`` instance of csrow:
579 - ``ue_count`` - Total Uncorrectable Errors count attribute file
581         This attribute file displays the total count of uncorrectable
582         errors that have occurred on this csrow. If panic_on_ue is set
583         this counter will not have a chance to increment, since EDAC
584         will panic the system.
587 - ``ce_count`` - Total Correctable Errors count attribute file
589         This attribute file displays the total count of correctable
590         errors that have occurred on this csrow. This count is very
591         important to examine. CEs provide early indications that a
592         DIMM is beginning to fail. This count field should be
593         monitored for non-zero values and report such information
594         to the system administrator.
597 - ``size_mb`` - Total memory managed by this csrow attribute file
599         This attribute file displays, in count of megabytes, the memory
600         that this csrow contains.
603 - ``mem_type`` - Memory Type attribute file
605         This attribute file will display what type of memory is currently
606         on this csrow. Normally, either buffered or unbuffered memory.
607         Examples:
609                 - Registered-DDR
610                 - Unbuffered-DDR
613 - ``edac_mode`` - EDAC Mode of operation attribute file
615         This attribute file will display what type of Error detection
616         and correction is being utilized.
619 - ``dev_type`` - Device type attribute file
621         This attribute file will display what type of DRAM device is
622         being utilized on this DIMM.
623         Examples:
625                 - x1
626                 - x2
627                 - x4
628                 - x8
631 - ``ch0_ce_count`` - Channel 0 CE Count attribute file
633         This attribute file will display the count of CEs on this
634         DIMM located in channel 0.
637 - ``ch0_ue_count`` - Channel 0 UE Count attribute file
639         This attribute file will display the count of UEs on this
640         DIMM located in channel 0.
643 - ``ch0_dimm_label`` - Channel 0 DIMM Label control file
646         This control file allows this DIMM to have a label assigned
647         to it. With this label in the module, when errors occur
648         the output can provide the DIMM label in the system log.
649         This becomes vital for panic events to isolate the
650         cause of the UE event.
652         DIMM Labels must be assigned after booting, with information
653         that correctly identifies the physical slot with its
654         silk screen label. This information is currently very
655         motherboard specific and determination of this information
656         must occur in userland at this time.
659 - ``ch1_ce_count`` - Channel 1 CE Count attribute file
662         This attribute file will display the count of CEs on this
663         DIMM located in channel 1.
666 - ``ch1_ue_count`` - Channel 1 UE Count attribute file
669         This attribute file will display the count of UEs on this
670         DIMM located in channel 0.
673 - ``ch1_dimm_label`` - Channel 1 DIMM Label control file
675         This control file allows this DIMM to have a label assigned
676         to it. With this label in the module, when errors occur
677         the output can provide the DIMM label in the system log.
678         This becomes vital for panic events to isolate the
679         cause of the UE event.
681         DIMM Labels must be assigned after booting, with information
682         that correctly identifies the physical slot with its
683         silk screen label. This information is currently very
684         motherboard specific and determination of this information
685         must occur in userland at this time.
688 System Logging
689 --------------
691 If logging for UEs and CEs is enabled, then system logs will contain
692 information indicating that errors have been detected::
694   EDAC MC0: CE page 0x283, offset 0xce0, grain 8, syndrome 0x6ec3, row 0, channel 1 "DIMM_B1": amd76x_edac
695   EDAC MC0: CE page 0x1e5, offset 0xfb0, grain 8, syndrome 0xb741, row 0, channel 1 "DIMM_B1": amd76x_edac
698 The structure of the message is:
700         +---------------------------------------+-------------+
701         | Content                               | Example     |
702         +=======================================+=============+
703         | The memory controller                 | MC0         |
704         +---------------------------------------+-------------+
705         | Error type                            | CE          |
706         +---------------------------------------+-------------+
707         | Memory page                           | 0x283       |
708         +---------------------------------------+-------------+
709         | Offset in the page                    | 0xce0       |
710         +---------------------------------------+-------------+
711         | The byte granularity                  | grain 8     |
712         | or resolution of the error            |             |
713         +---------------------------------------+-------------+
714         | The error syndrome                    | 0xb741      |
715         +---------------------------------------+-------------+
716         | Memory row                            | row 0       |
717         +---------------------------------------+-------------+
718         | Memory channel                        | channel 1   |
719         +---------------------------------------+-------------+
720         | DIMM label, if set prior              | DIMM B1     |
721         +---------------------------------------+-------------+
722         | And then an optional, driver-specific |             |
723         | message that may have additional      |             |
724         | information.                          |             |
725         +---------------------------------------+-------------+
727 Both UEs and CEs with no info will lack all but memory controller, error
728 type, a notice of "no info" and then an optional, driver-specific error
729 message.
732 PCI Bus Parity Detection
733 ------------------------
735 On Header Type 00 devices, the primary status is looked at for any
736 parity error regardless of whether parity is enabled on the device or
737 not. (The spec indicates parity is generated in some cases). On Header
738 Type 01 bridges, the secondary status register is also looked at to see
739 if parity occurred on the bus on the other side of the bridge.
742 Sysfs configuration
743 -------------------
745 Under ``/sys/devices/system/edac/pci`` are control and attribute files as
746 follows:
749 - ``check_pci_parity`` - Enable/Disable PCI Parity checking control file
751         This control file enables or disables the PCI Bus Parity scanning
752         operation. Writing a 1 to this file enables the scanning. Writing
753         a 0 to this file disables the scanning.
755         Enable::
757                 echo "1" >/sys/devices/system/edac/pci/check_pci_parity
759         Disable::
761                 echo "0" >/sys/devices/system/edac/pci/check_pci_parity
764 - ``pci_parity_count`` - Parity Count
766         This attribute file will display the number of parity errors that
767         have been detected.
770 Module parameters
771 -----------------
773 - ``edac_mc_panic_on_ue`` - Panic on UE control file
775         An uncorrectable error will cause a machine panic.  This is usually
776         desirable.  It is a bad idea to continue when an uncorrectable error
777         occurs - it is indeterminate what was uncorrected and the operating
778         system context might be so mangled that continuing will lead to further
779         corruption. If the kernel has MCE configured, then EDAC will never
780         notice the UE.
782         LOAD TIME::
784                 module/kernel parameter: edac_mc_panic_on_ue=[0|1]
786         RUN TIME::
788                 echo "1" > /sys/module/edac_core/parameters/edac_mc_panic_on_ue
791 - ``edac_mc_log_ue`` - Log UE control file
794         Generate kernel messages describing uncorrectable errors.  These errors
795         are reported through the system message log system.  UE statistics
796         will be accumulated even when UE logging is disabled.
798         LOAD TIME::
800                 module/kernel parameter: edac_mc_log_ue=[0|1]
802         RUN TIME::
804                 echo "1" > /sys/module/edac_core/parameters/edac_mc_log_ue
807 - ``edac_mc_log_ce`` - Log CE control file
810         Generate kernel messages describing correctable errors.  These
811         errors are reported through the system message log system.
812         CE statistics will be accumulated even when CE logging is disabled.
814         LOAD TIME::
816                 module/kernel parameter: edac_mc_log_ce=[0|1]
818         RUN TIME::
820                 echo "1" > /sys/module/edac_core/parameters/edac_mc_log_ce
823 - ``edac_mc_poll_msec`` - Polling period control file
826         The time period, in milliseconds, for polling for error information.
827         Too small a value wastes resources.  Too large a value might delay
828         necessary handling of errors and might loose valuable information for
829         locating the error.  1000 milliseconds (once each second) is the current
830         default. Systems which require all the bandwidth they can get, may
831         increase this.
833         LOAD TIME::
835                 module/kernel parameter: edac_mc_poll_msec=[0|1]
837         RUN TIME::
839                 echo "1000" > /sys/module/edac_core/parameters/edac_mc_poll_msec
842 - ``panic_on_pci_parity`` - Panic on PCI PARITY Error
845         This control file enables or disables panicking when a parity
846         error has been detected.
849         module/kernel parameter::
851                         edac_panic_on_pci_pe=[0|1]
853         Enable::
855                 echo "1" > /sys/module/edac_core/parameters/edac_panic_on_pci_pe
857         Disable::
859                 echo "0" > /sys/module/edac_core/parameters/edac_panic_on_pci_pe
863 EDAC device type
864 ----------------
866 In the header file, edac_pci.h, there is a series of edac_device structures
867 and APIs for the EDAC_DEVICE.
869 User space access to an edac_device is through the sysfs interface.
871 At the location ``/sys/devices/system/edac`` (sysfs) new edac_device devices
872 will appear.
874 There is a three level tree beneath the above ``edac`` directory. For example,
875 the ``test_device_edac`` device (found at the http://bluesmoke.sourceforget.net
876 website) installs itself as::
878         /sys/devices/system/edac/test-instance
880 in this directory are various controls, a symlink and one or more ``instance``
881 directories.
883 The standard default controls are:
885         ==============  =======================================================
886         log_ce          boolean to log CE events
887         log_ue          boolean to log UE events
888         panic_on_ue     boolean to ``panic`` the system if an UE is encountered
889                         (default off, can be set true via startup script)
890         poll_msec       time period between POLL cycles for events
891         ==============  =======================================================
893 The test_device_edac device adds at least one of its own custom control:
895         ==============  ==================================================
896         test_bits       which in the current test driver does nothing but
897                         show how it is installed. A ported driver can
898                         add one or more such controls and/or attributes
899                         for specific uses.
900                         One out-of-tree driver uses controls here to allow
901                         for ERROR INJECTION operations to hardware
902                         injection registers
903         ==============  ==================================================
905 The symlink points to the 'struct dev' that is registered for this edac_device.
907 Instances
908 ---------
910 One or more instance directories are present. For the ``test_device_edac``
911 case:
913         +----------------+
914         | test-instance0 |
915         +----------------+
918 In this directory there are two default counter attributes, which are totals of
919 counter in deeper subdirectories.
921         ==============  ====================================
922         ce_count        total of CE events of subdirectories
923         ue_count        total of UE events of subdirectories
924         ==============  ====================================
926 Blocks
927 ------
929 At the lowest directory level is the ``block`` directory. There can be 0, 1
930 or more blocks specified in each instance:
932         +-------------+
933         | test-block0 |
934         +-------------+
936 In this directory the default attributes are:
938         ==============  ================================================
939         ce_count        which is counter of CE events for this ``block``
940                         of hardware being monitored
941         ue_count        which is counter of UE events for this ``block``
942                         of hardware being monitored
943         ==============  ================================================
946 The ``test_device_edac`` device adds 4 attributes and 1 control:
948         ================== ====================================================
949         test-block-bits-0       for every POLL cycle this counter
950                                 is incremented
951         test-block-bits-1       every 10 cycles, this counter is bumped once,
952                                 and test-block-bits-0 is set to 0
953         test-block-bits-2       every 100 cycles, this counter is bumped once,
954                                 and test-block-bits-1 is set to 0
955         test-block-bits-3       every 1000 cycles, this counter is bumped once,
956                                 and test-block-bits-2 is set to 0
957         ================== ====================================================
960         ================== ====================================================
961         reset-counters          writing ANY thing to this control will
962                                 reset all the above counters.
963         ================== ====================================================
966 Use of the ``test_device_edac`` driver should enable any others to create their own
967 unique drivers for their hardware systems.
969 The ``test_device_edac`` sample driver is located at the
970 http://bluesmoke.sourceforge.net project site for EDAC.
973 Usage of EDAC APIs on Nehalem and newer Intel CPUs
974 --------------------------------------------------
976 On older Intel architectures, the memory controller was part of the North
977 Bridge chipset. Nehalem, Sandy Bridge, Ivy Bridge, Haswell, Sky Lake and
978 newer Intel architectures integrated an enhanced version of the memory
979 controller (MC) inside the CPUs.
981 This chapter will cover the differences of the enhanced memory controllers
982 found on newer Intel CPUs, such as ``i7core_edac``, ``sb_edac`` and
983 ``sbx_edac`` drivers.
985 .. note::
987    The Xeon E7 processor families use a separate chip for the memory
988    controller, called Intel Scalable Memory Buffer. This section doesn't
989    apply for such families.
991 1) There is one Memory Controller per Quick Patch Interconnect
992    (QPI). At the driver, the term "socket" means one QPI. This is
993    associated with a physical CPU socket.
995    Each MC have 3 physical read channels, 3 physical write channels and
996    3 logic channels. The driver currently sees it as just 3 channels.
997    Each channel can have up to 3 DIMMs.
999    The minimum known unity is DIMMs. There are no information about csrows.
1000    As EDAC API maps the minimum unity is csrows, the driver sequentially
1001    maps channel/DIMM into different csrows.
1003    For example, supposing the following layout::
1005         Ch0 phy rd0, wr0 (0x063f4031): 2 ranks, UDIMMs
1006           dimm 0 1024 Mb offset: 0, bank: 8, rank: 1, row: 0x4000, col: 0x400
1007           dimm 1 1024 Mb offset: 4, bank: 8, rank: 1, row: 0x4000, col: 0x400
1008         Ch1 phy rd1, wr1 (0x063f4031): 2 ranks, UDIMMs
1009           dimm 0 1024 Mb offset: 0, bank: 8, rank: 1, row: 0x4000, col: 0x400
1010         Ch2 phy rd3, wr3 (0x063f4031): 2 ranks, UDIMMs
1011           dimm 0 1024 Mb offset: 0, bank: 8, rank: 1, row: 0x4000, col: 0x400
1013    The driver will map it as::
1015         csrow0: channel 0, dimm0
1016         csrow1: channel 0, dimm1
1017         csrow2: channel 1, dimm0
1018         csrow3: channel 2, dimm0
1020    exports one DIMM per csrow.
1022    Each QPI is exported as a different memory controller.
1024 2) The MC has the ability to inject errors to test drivers. The drivers
1025    implement this functionality via some error injection nodes:
1027    For injecting a memory error, there are some sysfs nodes, under
1028    ``/sys/devices/system/edac/mc/mc?/``:
1030    - ``inject_addrmatch/*``:
1031       Controls the error injection mask register. It is possible to specify
1032       several characteristics of the address to match an error code::
1034          dimm = the affected dimm. Numbers are relative to a channel;
1035          rank = the memory rank;
1036          channel = the channel that will generate an error;
1037          bank = the affected bank;
1038          page = the page address;
1039          column (or col) = the address column.
1041       each of the above values can be set to "any" to match any valid value.
1043       At driver init, all values are set to any.
1045       For example, to generate an error at rank 1 of dimm 2, for any channel,
1046       any bank, any page, any column::
1048                 echo 2 >/sys/devices/system/edac/mc/mc0/inject_addrmatch/dimm
1049                 echo 1 >/sys/devices/system/edac/mc/mc0/inject_addrmatch/rank
1051         To return to the default behaviour of matching any, you can do::
1053                 echo any >/sys/devices/system/edac/mc/mc0/inject_addrmatch/dimm
1054                 echo any >/sys/devices/system/edac/mc/mc0/inject_addrmatch/rank
1056    - ``inject_eccmask``:
1057           specifies what bits will have troubles,
1059    - ``inject_section``:
1060        specifies what ECC cache section will get the error::
1062                 3 for both
1063                 2 for the highest
1064                 1 for the lowest
1066    - ``inject_type``:
1067        specifies the type of error, being a combination of the following bits::
1069                 bit 0 - repeat
1070                 bit 1 - ecc
1071                 bit 2 - parity
1073    - ``inject_enable``:
1074        starts the error generation when something different than 0 is written.
1076    All inject vars can be read. root permission is needed for write.
1078    Datasheet states that the error will only be generated after a write on an
1079    address that matches inject_addrmatch. It seems, however, that reading will
1080    also produce an error.
1082    For example, the following code will generate an error for any write access
1083    at socket 0, on any DIMM/address on channel 2::
1085         echo 2 >/sys/devices/system/edac/mc/mc0/inject_addrmatch/channel
1086         echo 2 >/sys/devices/system/edac/mc/mc0/inject_type
1087         echo 64 >/sys/devices/system/edac/mc/mc0/inject_eccmask
1088         echo 3 >/sys/devices/system/edac/mc/mc0/inject_section
1089         echo 1 >/sys/devices/system/edac/mc/mc0/inject_enable
1090         dd if=/dev/mem of=/dev/null seek=16k bs=4k count=1 >& /dev/null
1092    For socket 1, it is needed to replace "mc0" by "mc1" at the above
1093    commands.
1095    The generated error message will look like::
1097         EDAC MC0: UE row 0, channel-a= 0 channel-b= 0 labels "-": NON_FATAL (addr = 0x0075b980, socket=0, Dimm=0, Channel=2, syndrome=0x00000040, count=1, Err=8c0000400001009f:4000080482 (read error: read ECC error))
1099 3) Corrected Error memory register counters
1101    Those newer MCs have some registers to count memory errors. The driver
1102    uses those registers to report Corrected Errors on devices with Registered
1103    DIMMs.
1105    However, those counters don't work with Unregistered DIMM. As the chipset
1106    offers some counters that also work with UDIMMs (but with a worse level of
1107    granularity than the default ones), the driver exposes those registers for
1108    UDIMM memories.
1110    They can be read by looking at the contents of ``all_channel_counts/``::
1112      $ for i in /sys/devices/system/edac/mc/mc0/all_channel_counts/*; do echo $i; cat $i; done
1113         /sys/devices/system/edac/mc/mc0/all_channel_counts/udimm0
1114         0
1115         /sys/devices/system/edac/mc/mc0/all_channel_counts/udimm1
1116         0
1117         /sys/devices/system/edac/mc/mc0/all_channel_counts/udimm2
1118         0
1120    What happens here is that errors on different csrows, but at the same
1121    dimm number will increment the same counter.
1122    So, in this memory mapping::
1124         csrow0: channel 0, dimm0
1125         csrow1: channel 0, dimm1
1126         csrow2: channel 1, dimm0
1127         csrow3: channel 2, dimm0
1129    The hardware will increment udimm0 for an error at the first dimm at either
1130    csrow0, csrow2  or csrow3;
1132    The hardware will increment udimm1 for an error at the second dimm at either
1133    csrow0, csrow2  or csrow3;
1135    The hardware will increment udimm2 for an error at the third dimm at either
1136    csrow0, csrow2  or csrow3;
1138 4) Standard error counters
1140    The standard error counters are generated when an mcelog error is received
1141    by the driver. Since, with UDIMM, this is counted by software, it is
1142    possible that some errors could be lost. With RDIMM's, they display the
1143    contents of the registers
1145 Reference documents used on ``amd64_edac``
1146 ------------------------------------------
1148 ``amd64_edac`` module is based on the following documents
1149 (available from http://support.amd.com/en-us/search/tech-docs):
1151 1. :Title:  BIOS and Kernel Developer's Guide for AMD Athlon 64 and AMD
1152            Opteron Processors
1153    :AMD publication #: 26094
1154    :Revision: 3.26
1155    :Link: http://support.amd.com/TechDocs/26094.PDF
1157 2. :Title:  BIOS and Kernel Developer's Guide for AMD NPT Family 0Fh
1158            Processors
1159    :AMD publication #: 32559
1160    :Revision: 3.00
1161    :Issue Date: May 2006
1162    :Link: http://support.amd.com/TechDocs/32559.pdf
1164 3. :Title:  BIOS and Kernel Developer's Guide (BKDG) For AMD Family 10h
1165            Processors
1166    :AMD publication #: 31116
1167    :Revision: 3.00
1168    :Issue Date: September 07, 2007
1169    :Link: http://support.amd.com/TechDocs/31116.pdf
1171 4. :Title: BIOS and Kernel Developer's Guide (BKDG) for AMD Family 15h
1172           Models 30h-3Fh Processors
1173    :AMD publication #: 49125
1174    :Revision: 3.06
1175    :Issue Date: 2/12/2015 (latest release)
1176    :Link: http://support.amd.com/TechDocs/49125_15h_Models_30h-3Fh_BKDG.pdf
1178 5. :Title: BIOS and Kernel Developer's Guide (BKDG) for AMD Family 15h
1179           Models 60h-6Fh Processors
1180    :AMD publication #: 50742
1181    :Revision: 3.01
1182    :Issue Date: 7/23/2015 (latest release)
1183    :Link: http://support.amd.com/TechDocs/50742_15h_Models_60h-6Fh_BKDG.pdf
1185 6. :Title: BIOS and Kernel Developer's Guide (BKDG) for AMD Family 16h
1186           Models 00h-0Fh Processors
1187    :AMD publication #: 48751
1188    :Revision: 3.03
1189    :Issue Date: 2/23/2015 (latest release)
1190    :Link: http://support.amd.com/TechDocs/48751_16h_bkdg.pdf
1192 Credits
1193 =======
1195 * Written by Doug Thompson <dougthompson@xmission.com>
1197   - 7 Dec 2005
1198   - 17 Jul 2007 Updated
1200 * |copy| Mauro Carvalho Chehab
1202   - 05 Aug 2009 Nehalem interface
1203   - 26 Oct 2016 Converted to ReST and cleanups at the Nehalem section
1205 * EDAC authors/maintainers:
1207   - Doug Thompson, Dave Jiang, Dave Peterson et al,
1208   - Mauro Carvalho Chehab
1209   - Borislav Petkov
1210   - original author: Thayne Harbaugh