CN111104238B

CN111104238B - 一种基于ce的内存诊断的方法、设备及介质

Info

Publication number: CN111104238B
Application number: CN201911042211.0A
Authority: CN
Inventors: 朱士禄
Original assignee: Suzhou Inspur Intelligent Technology Co Ltd
Current assignee: Suzhou Inspur Intelligent Technology Co Ltd
Priority date: 2019-10-30
Filing date: 2019-10-30
Publication date: 2022-06-03
Anticipated expiration: 2039-10-30
Also published as: CN111104238A

Abstract

本发明公开了一种基于CE的内存诊断的方法，包括以下步骤：监测内存的运行状态，并记录内存发生CE的信息；判断记录CE的次数是否达到第一阈值；响应于记录CE的次数达到第一阈值，基于信息中的发生时间统计发生CE最密集的时间段；判断时间段发生CE的次数是否达到第二阈值；以及响应于时间段发生CE的次数达到第二阈值，将前述信息中该时间段中运行的程序与系统日志中运行的程序进行对比以确定内存中存在问题的程序。本发明还公开了一种计算机设备和可读存储介质。本发明提出的基于CE的内存诊断的方法、设备及介质通过CE发生的时间和物理地址分布来提前定位可能存在故障的内存，可以有效的预防系统崩溃宕机等问题，提高服务器运行的稳定性。

Description

一种基于CE的内存诊断的方法、设备及介质

技术领域

本发明涉及内存领域，更具体地，特别是指一种基于CE的内存诊断的方法、设备及可读介质。

背景技术

在服务系统中，随着用于存储和计算的数据量的增加，服务器的运载压力越来越大，这就对整个存储链路的稳定性提出更高的要求。在服务器中，对于内存上产生的错误而言，个别的可修复错误(CE，Correctable Error)通过校验机制可以纠正过来，不会对整个服务器的运行造成大的影响。但是，随着传输的错误数据不断增多，就会造成整条存储链路的瘫痪，轻微的会造成服务器的计算性能及存储性能降低，严重的会造成硬盘掉盘和系统宕机，进而导致客户端的业务中断、数据丢失，造成的损失不可预估。

目前服务器对于CE的处理方式为设置巡检次数，当CE错误出现次数达到设定值时，上报BMC一条日志，提醒服务器维护人员当前机器出现过大量的CE错误，而这些CE产生的原因、对应的设备地址等等这些重要信息却全部丢失。基于此，维护人员无法快速找出出现故障的位置和原因。

发明内容

有鉴于此，本发明实施例的目的在于提出一种基于CE的内存诊断的方法、设备及介质，通过记录发生CE的系统运行时间以及内存中的物理地址，当统计发生CE的次数到达阈值后，将发生CE错误概率最高的内存地址及次数发送给BMC，生成日志提示维护人员，根据大量的CE信息可以提前预测内存的可用时间，并提前迁移系统更换内存，提高系统的稳定性。

基于上述目的，本发明实施例的一方面提供了一种基于CE的内存诊断的方法，包括如下步骤：监测内存的运行状态，并记录内存发生CE的信息；判断记录CE的次数是否达到第一阈值；响应于记录CE的次数达到第一阈值，基于所述信息中的发生时间统计发生CE最密集的时间段；判断所述时间段发生CE的次数是否达到第二阈值；以及响应于所述时间段发生CE的次数达到第二阈值，将前述信息中所述时间段中运行的程序与系统日志中运行的程序进行对比以确定所述内存中存在问题的程序。

在一些实施方式中，还包括：基于所述存在问题的程序预测所述内存的可用时间；以及响应于所述内存的可用时间小于第三阈值，进行告警。

在一些实施方式中，还包括：判断发生CE的物理地址是否集中；响应于发生CE的物理地址集中，禁用所述物理地址对应的内存颗粒；以及响应于发生CE的物理地址不集中，禁用所述内存。

在一些实施方式中，所述判断发生CE的物理地址是否集中包括：响应于所述时间段发生CE的次数达到第二阈值，基于所述信息中的物理地址和所述物理地址对应的CE的数量判断发生CE的物理地址是否集中。

在一些实施方式中，基于所述信息中的物理地址和所述物理地址对应的CE的数量判断发生CE的物理地址是否集中包括：选取CE的数量大于第四阈值的物理地址；以及基于所述物理地址的标准差是否小于第五阈值判断发生CE的物理地址是否集中。

本发明实施例的另一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：监测内存的运行状态，并记录内存发生CE的信息；判断记录CE的次数是否达到第一阈值；响应于记录CE的次数达到第一阈值，基于所述信息中的发生时间统计发生CE最密集的时间段；判断所述时间段发生CE的次数是否达到第二阈值；以及响应于所述时间段发生CE的次数达到第二阈值，将前述信息中所述时间段中运行的程序与系统日志中运行的程序进行对比以确定所述内存中存在问题的程序。

在一些实施方式中，步骤还包括：基于所述存在问题的程序预测所述内存的可用时间；以及响应于所述内存的可用时间小于第三阈值，进行告警。

在一些实施方式中，步骤还包括：判断发生CE的物理地址是否集中；响应于发生CE的物理地址集中，禁用所述物理地址对应的内存颗粒；以及响应于发生CE的物理地址不集中，禁用所述内存。

本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。

本发明具有以下有益技术效果：通过记录发生CE的系统运行时间以及内存中的物理地址，当统计发生CE的次数到达阈值后，将发生CE错误概率最高的内存地址及次数发送给BMC，生成日志提示维护人员，根据大量的CE信息可以提前预测内存的可用时间，并提前迁移系统更换内存，提高系统的稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。

图1为本发明提供的基于CE的内存诊断的方法的实施例的示意图；

图2为本发明提供的基于CE的内存诊断的方法的实施例的流程图；

图3为本发明提供的基于CE的内存诊断的方法的实施例的硬件结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

基于上述目的，本发明实施例的第一个方面，提出了一种基于CE的内存诊断的方法的实施例。图1示出的是本发明提供的基于CE的内存诊断的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：

S1、监测内存的运行状态，并记录内存发生CE的信息；

S2、判断记录CE的次数是否达到第一阈值；

S3、响应于记录CE的次数达到第一阈值，基于信息中的发生时间统计发生CE最密集的时间段；

S4、判断时间段发生CE的次数是否达到第二阈值；以及

S5、响应于时间段发生CE的次数达到第二阈值，将前述信息中该时间段中运行的程序与系统日志中运行的程序进行对比以确定内存中存在问题的程序。

基本输出输出系统(Basic Input Output System，BIOS)设置程序主要对计算机的基本输入输出系统进行管理和设置，使系统运行在最好状态下，使用BIOS设置程序还可以排除系统故障或者诊断系统问题。基板管理控制器(Baseboard ManagementController，BMC)是服务器特有的管理控制器，BMC的主要功能之一是自动监控服务器运行状态，并把发生的事件记录在系统事件日志(system event log，SEL)中。

监测内存的运行状态，并记录内存发生CE的信息。系统正常工作，BIOS监测内存的运行状态，当有CE发生时记录相关信息。信息可以包括CE发生的时间和物理地址。

判断记录CE的次数是否达到第一阈值。可以根据经验或者大数据预先设定第一阈值，例如2000，一般当发生CE的次数超过这个值时，系统中可能出现故障。

响应于记录CE的次数达到第一阈值，基于信息中的时间统计发生CE最密集的时间段。可以将时间平均分成多个时间段，每个时间段的大小可以根据具体情况进行具体的设置，例如，可以设置时间段为一个小时、三十分钟或一分钟。分好时间段之后就可以统计每个时间段中发生CE的次数，例如，从开始记录到发生CE的次数超过第一阈值所用的时间为一个月，将每天的时间分成24个时间段，每个时间段为一个小时，如果在这一个月内每天10：00～11:00发生CE的次数最多，那么每天10：00～11:00就是发生CE最密集的时间段。

判断上述时间段发生CE的次数是否达到第二阈值。可以根据经验或者大数据设定第二阈值，在一般情况下，当某个时段内发生CE的次数达到这个第二阈值时，系统中大概率可能出现了故障。在有些情况下，虽然发生CE的总次数达到第一阈值了，但是可能每个时间段发生CE的次数都没有超过第二阈值，这种情况下，系统也可能整体上是正常的。

响应于上述时间段发生CE的次数达到第二阈值，将上述时间段中运行的程序与系统日志中运行的程序进行对比以确定内存中存在问题的程序。可以将记录发生CE的信息的日志与系统下的日志对比，确定在发生CE错误集中的时间段内运行的程序，根据长期监控记录分析这些程序是否存在问题，是否会造成CE。基于此，可以确定内存中存在问题的程序。

在一些实施方式中，还包括：基于所述存在问题的程序预测所述内存的可用时间；以及响应于所述内存的可用时间小于第三阈值，进行告警。在确定了存在问题的程序之后，可以对其进行修改或其他操作，以使得这些程序正常运行。但是，在某些情形下，不能对上述程序进行修改，可以基于上述程序运行的频率和时间预测内存可用时间，并且，可以基于可用时间设定第三阈值。例如，当预测到内存的可用时间为1年，可以设定第三阈值为7天，当可用时间小于7天时，可以进行告警。

在一些实施方式中，还包括：判断发生CE的物理地址是否集中；响应于发生CE的物理地址集中，禁用所述物理地址对应的内存颗粒；以及响应于发生CE的物理地址不集中，禁用所述内存。在一些实施方式中，所述判断发生CE的物理地址是否集中包括：响应于前述时间段发生CE的次数达到第二阈值，基于所述信息中的物理地址和所述物理地址对应的CE的数量判断发生CE的物理地址是否集中。如果错误集中在同一个内存上的不同颗粒中时，可以认为，当前内存的槽位或者该内存条存在问题，需要禁用掉整条内存，但是如果集中在相同的颗粒中时，则该内存颗粒存在问题，可以仅禁用该颗粒，或者其他操作。

在一些实施方式中，基于所述信息中的物理地址和所述物理地址对应的CE的数量判断发生CE的物理地址是否集中包括：选取CE的数量大于第四阈值的物理地址；以及基于所述物理地址的标准差是否小于第五阈值判断发生CE的物理地址是否集中。可以基于第四阈值设定第五阈值的大小，当第四阈值设置得较大时，可以将第五阈值设置得较小。例如，第四阈值可以是100，第五阈值可以是1，选取发生CE的数量大于100的物理地址，并对这些物理地址进行标准差的计算，如果标准差小于1，就表明发生CE的物理地址集中。

图2示出的是本发明提供的基于CE的内存诊断的方法的实施例的流程图。如图2所示，从框101开始，接着前进到框102，监测内存的运行状态，并记录内存发生CE的信息；接着前进到框103，判断记录CE的次数是否达到第一阈值，如果是，前进到框104，基于信息中的时间统计发生CE最密集的时间段，如果否直接结束；框104完成后可以前进到框105，判断上述时间段发生CE的次数是否达到第二阈值，如果是，前进到框106，将上述时间段中运行的程序与系统日志中运行的程序进行对比以确定内存中存在问题的程序，然后前进到框107结束，否则直接结束。

需要特别指出的是，上述基于CE的内存诊断的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于基于CE的内存诊断的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。

基于上述目的，本发明实施例的第二个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、监测内存的运行状态，并记录内存发生CE的信息；S2、判断记录CE的次数是否达到第一阈值；S3、响应于记录CE的次数达到第一阈值，基于信息中的发生时间统计发生CE最密集的时间段；S4、判断时间段发生CE的次数是否达到第二阈值；以及S5、响应于时间段发生CE的次数达到第二阈值，将前述信息中该时间段中运行的程序与系统日志中运行的程序进行对比以确定内存中存在问题的程序。

在一些实施方式中，所述判断发生CE的物理地址是否集中包括：响应于前述时间段发生CE的次数达到第二阈值，基于所述信息中的物理地址和所述物理地址对应的CE的数量判断发生CE的物理地址是否集中。

如图3所示，为本发明提供的上述基于CE的内存诊断的方法的一个实施例的硬件结构示意图。

以如图3所示的装置为例，在该装置中包括一个处理器301以及一个存储器302，并还可以包括：输入装置303和输出装置304。

处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。

存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的基于CE的内存诊断的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于CE的内存诊断的方法。

存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于CE的内存诊断的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置303可接收输入的用户名和密码等信息。输出装置304可包括显示屏等显示设备。

一个或者多个基于CE的内存诊断的方法对应的程序指令/模块存储在存储器302中，当被处理器301执行时，执行上述任意方法实施例中的基于CE的内存诊断的方法。

执行上述基于CE的内存诊断的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。

最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，基于CE的内存诊断的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

此外，根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时，执行本发明实施例公开的方法中限定的上述功能。

此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。

此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。

结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。

结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。

在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims

1.一种基于CE的内存诊断的方法，其特征在于，包括以下步骤：

监测内存的运行状态，并记录内存发生CE的信息；

判断记录CE的次数是否达到第一阈值；

响应于记录CE的次数达到第一阈值，基于所述信息中的发生时间统计发生CE最密集的时间段；

判断所述时间段发生CE的次数是否达到第二阈值；以及

响应于所述时间段发生CE的次数达到第二阈值，将所述信息中所述时间段中运行的程序与系统日志中运行的程序进行对比以确定所述内存中存在问题的程序，

方法还包括：

判断发生CE的物理地址是否集中；

响应于发生CE的物理地址集中，禁用所述物理地址对应的内存颗粒；以及

响应于发生CE的物理地址不集中，禁用所述内存。

2.根据权利要求1所述的方法，其特征在于，还包括：

基于所述存在问题的程序预测所述内存的可用时间；以及

响应于所述内存的可用时间小于第三阈值，进行告警。

3.根据权利要求1所述的方法，其特征在于，所述判断发生CE的物理地址是否集中包括：

响应于所述时间段发生CE的次数达到第二阈值，基于所述信息中的物理地址和所述物理地址对应的CE的数量判断发生CE的物理地址是否集中。

4.根据权利要求3所述的方法，其特征在于，基于所述信息中的物理地址和所述物理地址对应的CE的数量判断发生CE的物理地址是否集中包括：

选取CE的数量大于第四阈值的物理地址；以及

基于所述物理地址的标准差是否小于第五阈值判断发生CE的物理地址是否集中。

5.一种计算机设备，其特征在于，包括：

至少一个处理器；以及

存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现以下步骤：

监测内存的运行状态，并记录内存发生CE的信息；

判断记录CE的次数是否达到第一阈值；

判断所述时间段发生CE的次数是否达到第二阈值；以及

步骤还包括：

判断发生CE的物理地址是否集中；

响应于发生CE的物理地址不集中，禁用所述内存。

6.根据权利要求5所述的计算机设备，其特征在于，步骤还包括：

基于所述存在问题的程序预测所述内存的可用时间；以及

响应于所述内存的可用时间小于第三阈值，进行告警。

7.根据权利要求5所述的计算机设备，其特征在于，所述判断发生CE的物理地址是否集中包括：

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。