Архитектура ошибки и симптомы сбоя

Критический сбой «EDAC MC0: UE (Uncorrectable Error) fatal memory hardware error» регистрируется при возникновении многобитовой ошибки в оперативной памяти (Multi-Bit ECC Error). В отличие от однобитовых сбоев, алгоритмы ECC не способны восстановить поврежденные биты данных. Во избежание записи искаженных данных в СУБД или на диск ядро немедленно останавливает систему через MCE (Machine Check Exception) или аварийно завершает затронутый процесс.

Диагностическая таблица параметров сбоя

Пошаговое дерево решений и сценарии траблшутинга

Сценарий 1: Определение точного физического адреса и слота DIMM

# Просмотр аппаратных фатальных событий через rasdaemon:
sudo ras-mc-ctl --summary

# Проверка логов mcelog:
sudo mcelog --client

# Анализ журнала IPMI SEL:
sudo ipmitool sel list | grep -E "(Uncorrectable|Critical)"

Сценарий 2: Проверка механизма изоляции страниц (Memory Failure Recovery)

В современных ядрах включена подсистема CONFIG_MEMORY_FAILURE, которая пытается мягко изолировать поврежденную 4KB страницу памяти (Soft/Hard Offline):

# Проверка статуса изолированных страниц ядра:
cat /proc/meminfo | grep -i "HardwareCorrupted"

Сценарий 3: Немедленная замена дефектного модуля памяти

1. Зафиксируйте маркировку слота из логов IPMI (например, DIMM_B2).
2. Выключите сервер, замените дефектный модуль памяти на заведомо исправный с аналогичными таймингами и ранговостью (1R/2R/4R).
3. Перед вводом в production выполните стресс-тест ОЗУ с помощью memtest86+.