RAS基础

RAS技术主要是通过MCA机制、AER机制实现的。

    MCA（Machine Check Architecture）机制：MCA机制可以上报并尽可能地修复系统总线、ECC、奇偶校验、缓存和TLB等等错误，识别故障源并将故障信息记录在MC Bank中。通过MCA机制，CPU内部的可纠正错误和不可纠正错误均可上报并记录，并纠正硬件可纠正错误。对于不可纠正错误，通常会进行热重启。MCA的作用域包括处理器中的所有模块，Core、Uncore和IIO（通过IOMCA）。

    AER（IIO Advanced Error Reporting）机制：AER机制负责侦测、记录并发送各种IIO模块下的子模块的错误信号，作用域包括IIO模块下的所有子模块，如PCIe接口，DMI，IIO的核心逻辑和Intel VT-d等。

CPU RAS:

    我们提到CPU RAS主要是指MCA 的机制——Machine Check Architecture，它用来检测硬件（这里的Machine表示的就是硬件）错误，比如系统总线错误、ECC错误等等。这套系统通过一定数量的MSR（Model Specific Register）来实现，这些MSR分为两个部分，一部分用来进行设置，另一部分用来描述发生的硬件错误。当CPU检测到不可纠正的MCE（Machine Check Error）时，就会触发Machine Check Exception，通常软件会注册相关的函数来处理这个exception，在这个函数中会通过读取MSR来收集MCE的错误信息，然后重启系统。当然由于发生的MCE可能是非常致命的，CPU直接重启了，没有办法完成MCE处理函数；甚至有可能在MCE处理函数中又触发了不可纠正的MCE，也会导致系统直接重启。CPU还会检测到可纠正的MCE，当可纠正的MCE数量超过一定的阈值时，会触发CMCI（Corrected Machine Check Error Interrupt），此时软件可以捕捉到该中断并进行相应的处理。CMCI是在MCA之后才加入的，算是对MCA的一个增强，在此之前软件只能通过轮询可纠正MCE相关的MSR才能实现相关的操作。MCA以bank为单位对错误进行处理，全局相关的寄存器组定义了如何开启 MCA 的能力。