RAS：Intel MCA-CMCI，你了解吗？

Corrected machine-check error interrupt (CMCI)是MCA的增强特性，它提供了一种threshold-based的错误上报方式。这种模式下，软件可以配置硬件corrected MC errors的阈值，硬件发生CE（Corrected Error）次数达到阈值后，会产生一个中断通知到软件处理。,值得一提的是，CMCI是随MCA加入的特性，最开始只能通过软件轮询方式获取CE信息。CMCI中断通知方式的优点是每个CE都会经过IRQ Handle处理，不会丢失任一CE；而轮询方式可能因为轮询频率低、存储空间有限等原因，导致丢失CE。但是并不是说CMCI最优，CMCI的缺点是大量CE会产生中断风暴，影响机器的性能。不幸的是在云服务器场景，CE风暴是比较常见的，那么当下Intel服务器是如何解决这个问题的呢？下面会讲到。,CMCI默认是关闭的，软件需要通过配置IA32_MCG_CAP[10] = 1打开。,软件通过IA32_MCi_CTL2 MSR来控制对应Bank使能/关闭CMCI功能。,通过IA32_MCi_CTL2 Bit 14:0设置阈值，如果设置非0，则使用配置的阈值；如果CMCI不支持，则全0；,CMCI机制如下图,图片,硬件通过比较IA32_MCi_CTL2 Bit 14:0和IA32_MCi_STATUS Bit 52:38，如果数值相等，那么overflow event发送到APIC的CMCI LVT entry。如果MC error涉及多个processors，那么CMCI中断会同时发送到这些processors，比如2个cpu共享的cache发生CE，那么这两个cpu都会收到CMCI。,以Linux v6.3分支为例，内核使能CMCI代码,C++ arch/x86/kernel/cpu/mce/intel.c void intel_init_cmci(void) { int banks;,1.cmci_supported()函数主要事项包括,•根据内核启动参数”mce=no_cmci,ignore_ce”判断是否打开cmci和ce上报功能,•检查硬件是否支持cmci,•通过MCG_CMCI_P bit判断硬件是否使能cmci功能,2.mce_threshold_vector = intel_threshold_interrupt; 声明cmci的中断处理函数为intel_threshold_interrupt();,3.cmci_discover()函数主要完成,•遍历所有banks，通过配置IA32_MCi_CTL2寄存器使能所有bank的cmci功能；,C++ rdmsrl(MSR_IA32_MCx_CTL2(i), val); …,•设置cmci threshold值，代码如下,C++ #define CMCI_THRESHOLD 1,如果用户未通过启动参数”mce=bios_cmci_threshold”配置值，则val = CMCI_THRESHOLD，为1；,如果启动参数”mce=bios_cmci_threshold”配置，那么表示bios已配置threshold值，即val & MCI_CTL2_CMCI_THRESHOLD_MASK不为0，跳过else if判断，采用bios配置值；如果bios未配置值，val & MCI_CTL2_CMCI_THRESHOLD_MASK为0，那么驱动初始化threshold为1。,4.cmci_recheck(),cmci_recheck函数通过调用machine_check_poll()，检查CPU #0是否有遗漏的CE&UCE events。,CMCI处理,cmci中断处理函数为intel_threshold_interrupt()，定义在arch/x86/kernel/cpu/mce/intel.c,1.cmci_storm_detect()函数主要是对cmci storm的处理，代码如下,C++ static bool cmci_storm_detect(void) { unsigned int cnt = __this_cpu_read(cmci_storm_cnt); unsigned long ts = __this_cpu_read(cmci_time_stamp); unsigned long now = jiffies; int r;,该函数通过jiffies，判断固定时间内发生的cmci次数是否大于CMCI_STORM_THRESHOLD（15），如果否则return，反之说明发生cmci storm，则执行cmci_toggle_interrupt_mode()关闭cmci功能， 切换为poll mode，通过轮询方式获取event；,2.非cmci storm情况下，通过machine_check_poll(MCP_TIMESTAMP, this_cpu_ptr(&mce_banks_owned))函数获取并记录故障信息,参数1定义如下，MCP_TIMESTAMP表示会记录当前TSC,machine_check_poll函数主要功能是通过读取IA32_MCG_STATUS、IA32_MCi_STATUS寄存器信息和CPU的ip、cs等相关信息，然后故障分类，将CE event或其他故障类型event记录到/dev/mcelog。用户可以通过读取/dev/mcelog获取错误记录。,执行流程如下，过程说明在代码注释中,总结一下，CMCI是MCA的一个增强特性，主要用于将硬件CE、UCNA等类型故障通过中断方式上报到软件，软件收到中断后，执行中断处理函数intel_threshold_interrupt()采取irq mode或poll mode记录错误信息到/dev/mcelog，用户态可以通过/dev/mcelog获取硬件故障信息。,参考文档：《Intel® 64 and IA-32 Architectures Software Developer’s Manual 》