1 问题现象描述

硬件配置

• 型号：S920X20服务器
• 配置：2*Kunpeng 920 7280Z+16*DIMM

问题现象

BMC告警：CPU 2(CpuBoard1 CPU2) triggered an uncorrectable error

历史告警：I2C/I3C link of DIMM100 is abnormal (SN:80CE042508526D5F24)

---

2 关键过程与根因分析

关键过程

Step 1：SEL日志分析

SEL日志记录到DIMM100的I2C I3C链路异常告警又解除。

Step 2：FDM日志分析

日志显示：

• [Major Warning],CPU2 uncorrect error
• Caterr Signal Assert
• CPU1(TotemA) Rst Out
• CPU1(TotemB) Rst Out
• CPU2(TotemB) Rst Out

Step 3：CPU与DIMM对应关系

• Socket 0对应CPU1
• Socket 1对应CPU2
• 每个CPU都包含TotemA、TotemB

Step 4：多通道异常分析

• DIMM120、DIMM160也存在UCE情况

• 环境上有两种异常：

1. pcie的ce ras风暴；
2. cpu2的dimm120 dimm160 dimm100都在报uce的ras；

Step 5：问题定位

• Socket: CPU2 DIE: TotemB Module: DDRC0
• Socket: CPU2 DIE: TotemB Module: DDRC2
• Socket: CPU2 DIE: TotemB Module: DDRC3

DIMM有异常导致PCIe的读写也出现异常。可能存在DIMM PMIC失效导致多通道报RAS的问题。

指向的内存是DIMM120、121、160、161、100，101。该设备上只配置了主通道DIMM，所以指向DIMM120、160、100，这三根内存中至少有一根内存故障，需要最小化测试，但是问题不是立马复现，现网不能测试操作，所有只能先更换DIMM120、160、100内存，更换后CPU2告警消除。fdm日志也无其他报错。

现在报上的I2C/I3C link of DIMM100 is abnormal (SN:80CE042508526D5F24)，但实际在mem_info日志中记录的内存SN为DIMM120的SN。

sel告警DIMM100内存(SN:80CE042508526D5F24)与丝印（SN：80CE042508526EF92B）DIMM100的SN对应关系不一致，该问题属于已知问题，在BIOS 20.45解决，建议升级BIOS 20.45

根因分析

1. CPU2 UCE告警指向了两种错误：PCIe的CE RAS风暴和CPU2的DIMM120/160/100都在报UCE的RAS
2. DIMM有异常导致PCIe的读写也出现异常
3. 可能存在DIMM PMIC失效导致多通道报RAS的问题

---

3 结论、解决方案及效果

结论

CPU2存在DIMM异常，导致多通道报UCE RAS告警。DIMM100告警SN与实际丝印SN不一致是BIOS已知问题。

解决方案

1. 如果客户允许，可以排除DIMM120、160、100内存，一根一根测试直到排查到故障内存
2. 如果条件允许，更换DIMM120、160、100内存
3. 升级BIOS到20.45版本解决SN对应问题

效果

更换问题内存后CPU2告警消除，FDM日志无其他报错。

---

4 经验总结与预防措施

经验总结

1. DIMM PMIC失效可能导致多通道同时报RAS异常
2. 内存SN告警与实际槽位可能存在BIOS版本导致的映射问题

预防措施

1. 定期检查内存健康状态
2. 关注BIOS版本更新，修复已知问题