Linux检查硬件错误工具mcelog命令

mcelog 是Linux 系统上用来检查硬件错误，特别是内存和CPU错误的工具。

未纠正的错误是关键异常，如果 CPU 无法恢复，往往会导致系统上的内核错误。

这会导致应用程序重置和中断。

对于未纠正的错误，mcelog 捕获错误的能力取决于错误导致热重启还是硬重启。

如果是热重启，信息会被 mcelog 捕获，恢复后可看到。

硬重启会导致数据丢失，而且 mcelog 可能捕获不到该事件。

安装：

[root@RedHat_test ~]# yum install mcelog.x86_64

mcelog的启动方式

 cron : 最老的方式，有确定，定时任务，会丢失一些
 daemon : el7上用这种，守护进程的方式
 trigger : 高级一点的方式，触发的时候，看man mcelog

mcelog相关文件

/dev/mcelog 设备文件
 /var/log/mcelog messages日志文件
 /etc/mcelog/mcelog.conf配置文件
 /var/run/mcelog.pid
 默认故障日志只记录在/var/log/mcelog，并不记录到系统日志中。
 如果需要在系统日志中也体现，需修改/etc/mcelog/mcelog.conf文件，将前面#去掉，并保存。

mcelog后台运行

[root@RedHat_test ~]# mcelog --daemon

查看系统是否异常

1、手动运行mcelog的方式

[root@RedHat_test ~]# mcelog --daemon

2、查看mcelog日志

 [root@RedHat_test ~]# tail /var/log/mcelog
 # 什么也没有输出，表明正常

3、查看mcelog守护进程是否检测到错误信息

 [root@RedHat_test ~]# mcelog --client
 # 什么也没有输出，表明正常

4、解析系统异常时的mcelog输出

 [root@RedHat_test ~]# mcelog --ascii < file.log
 # or或者
 [root@RedHat_test ~]# mcelog --ascii --file file.log

测试

1、mce-inject用于测试mcelog能否正确的获取硬件错误信息，并进行正确解码，mce-inject可以向内核注入指定的错误信息，因此，可以很方便的了解到mcelog的功能是否正常。

注意的是，当用户利用mce-inject工具向内核注入不可恢复错误（如：fatal）时，会发生死机重新启动等现象，当然，可以通过更改sys文件系统下的tolerate文件来避免此现象的发生。

 [root@RedHat_test ~]# cd /sys/devices/system/machinecheck/machinecheck0
 ----------------------------------------------------------------------------------------
 位置 : /sys/devices/system/machinecheck/machinecheck*/
 说明 : 其中machinecheck* 中的 *号由CPU的个数所决定的，如果是双核的，则存在machinecheck0和machinecheck1两个目录，对应目录里都有一个tolerate文件，tolerate中存放容忍程度值。
 功能 : 向用户提供一个可选择的出现相应硬件错误时的容忍程度（tolerate），比如：当tolerate的值为1时，出现fatal错误时就会死机，重新启动，并且该错误信息并不被记录；当tolerate的值为3时（注意该值只用于测试），在出现fatal错误时，机器会容忍该错误不予响应，不会出现死机重新启动现象，并且会记录相关错误信息。
 ----------------------------------------------------------------------------------------
 [root@RedHat_test machinecheck0]# cat tolerant 
 1
 [root@RedHat_test machinecheck0]# echo 3 > tolerant
 ----------------------------------------------------------------------------------------
 数值含义
 tolerate的取值可以为0、1、2、3。
 0: always panic on uncorrected errors, log corrected errors
 1: panic or SIGBUS on uncorrected errors, log corrected errors
 2: SIGBUS or log uncorrected errors (if possible), log corrected errors
 3: never panic or SIGBUS, log all errors (for testing only)

2、安装

[root@RedHat_test ~]# yum install gcc.x86_64 gcc-c++.x86_64 flex.x86_64 dialog.x86_64 ras-utils.x86_64 git.x86_64 ras-utils

3、捏造文件

[root@RedHat_test ~]# cat correct 
 CPU 1BANK 2
 STATUS corrected
 RIP 0x12341234

4、加载mce-inject模块

[root@RedHat_test ~]# modprobe mce-inject

5、在终端执行文件

[root@RedHat_test ~]# mce-inject ./correct

6、查看/var/log/mcelog,/var/log/messages

 [root@RedHat_test ~]# tail /var/log/mcelog
 TIME 1581565856Thu Feb 1311:50:56 2020
 MCG status:
 MCi status:
 Corrected error
 Error enabled
 MCA: No Error
 STATUS 9000000000000000MCGSTATUS 0
 MCGCAP 100010a APICID 1SOCKETID 0
 MICROCODE 1
 CPUID Vendor Intel Family 6Model 63
 [root@RedHat_test ~]# cat /var/log/messages
 Feb 1311:59:01 RedHat_test systemd: [16423350.358386] Starting machine check poll CPU 1
 Feb 1311:59:01 RedHat_test systemd: [16423350.371252] [Hardware Error]: Machine check events logged

同样的方式，在el7上设置

tail /var/log/messages 可以看到日志，但是，/var/log/mcelog文件默认在el7上，却不存在！！原因是，默认打到/var/log/messages ，不打到/var/log/mcelog。如果希望打到/var/log/mcelog，需要在mcelog 的service文件中，加入参数–logfile=/var/log/mcelog，然后重启mcelog

ExecStart=/usr/sbin/mcelog --ignorenodev--daemon--syslog--logfile=/var/log/mcelog