28.5. NVDIMM 故障排除

• 要访问健康信息，请使用以下命令：

  # ndctl list --dimms --health
  ...
      {
        "dev":"nmem0",
        "id":"802c-01-1513-b3009166",
        "handle":1,
        "phys_id":22,
        "health":
        {
          "health_state":"ok",
          "temperature_celsius":25.000000,
          "spares_percentage":99,
          "alarm_temperature":false,
          "alarm_spares":false,
          "temperature_threshold":50.000000,
          "spares_threshold":20,
          "life_used_percentage":1,
          "shutdown_state":"clean"
        }
       }
  ...
  

过程 28.3. 检测和替换 Broken NVDIMM

1. 要检测有问题的 DIMM，请使用以下命令：

   # ndctl list --dimms --regions --health --media-errors --human
   

   badblocks 字段显示哪些 NVDIMM 有问题。注意它在 dev 字段中的名称。在以下示例中，名为 nmem0 的 NVDIMM 有问题：

   例 28.1. NVDIMM 设备的健康状况

   # ndctl list --dimms --regions --health --media-errors --human
   
   ...
     "regions":[
       {
         "dev":"region0",
         "size":"250.00 GiB (268.44 GB)",
         "available_size":0,
         "type":"pmem",
         "numa_node":0,
         "iset_id":"0xXXXXXXXXXXXXXXXX",
         "mappings":[
           {
             "dimm":"nmem1",
             "offset":"0x10000000",
             "length":"0x1f40000000",
             "position":1
           },
           {
             "dimm":"nmem0",
             "offset":"0x10000000",
             "length":"0x1f40000000",
             "position":0
           }
         ],
         "badblock_count":1,
         "badblocks":[
           {
             "offset":65536,
             "length":1,
             "dimms":[
               "nmem0"
             ]
           }
         ],
         "persistence_domain":"memory_controller"
       }
     ]
   }
   

2. 使用以下命令查找有问题的 NVDIMM 的 phys_id 属性：

   # ndctl list --dimms --human
   

   在上例中，您知道 nmem0 是有问题的 NVDIMM。因此，查找 nmem0 的 phys_id 属性。在以下示例中，phys_id 是 0x10:

   例 28.2. NVDIMM 的 phys_id 属性

   # ndctl list --dimms --human
   
   [
     {
       "dev":"nmem1",
       "id":"XXXX-XX-XXXX-XXXXXXXX",
       "handle":"0x120",
       "phys_id":"0x1c"
     },
     {
       "dev":"nmem0",
       "id":"XXXX-XX-XXXX-XXXXXXXX",
       "handle":"0x20",
       "phys_id":"0x10",
       "flag_failed_flush":true,
       "flag_smart_event":true
     }
   ]
   

3. 使用以下命令查找有问题的 NVDIMM 的内存插槽：

   # dmidecode
   

   在输出中，找到 Handle 标识符与有问题的 NVDIMM 的 phys_id 属性匹配的条目。Locator 字段列出了有问题的 NVDIMM 使用的内存插槽。在以下示例中，nmem0 设备与 0x0010 标识符匹配，并使用 DIMM-XXX-YYYY 内存插槽：

   例 28.3. NVDIMM 内存插槽列表

   # dmidecode
   
   ...
   Handle 0x0010, DMI type 17, 40 bytes
   Memory Device
           Array Handle: 0x0004
           Error Information Handle: Not Provided
           Total Width: 72 bits
           Data Width: 64 bits
           Size: 125 GB
           Form Factor: DIMM
           Set: 1
           Locator: DIMM-XXX-YYYY
           Bank Locator: Bank0
           Type: Other
           Type Detail: Non-Volatile Registered (Buffered)
   ...
   

4. 备份 NVDIMM 命名空间中的所有数据。如果您在替换 NVDIMM 前没有备份数据，当您从系统中删除 NVDIMM 时数据将会丢失。
   警告
   在某些情况下，比如 NVDIMM 完全无法正常工作，备份可能会失败。

   要防止这种情况，请使用 S.M.A.R.T 定期监控 NVDIMM 设备，如 第 28.5.1 节 “使用 S.M.A.R.T 监控 NVDIMM 健康状况。” 所述，并在它们中断前替换失败的 NVDIMM。
   使用以下命令列出 NVDIMM 上的命名空间：

   # ndctl list --namespaces --dimm=DIMM-ID-number

   在以下示例中，nmem0 设备包含 namespace0.0 和 namespace0.2 命名空间，您需要备份：

   例 28.4. NVDIMM 命名空间列表

   # ndctl list --namespaces --dimm=0
   
   [
     {
       "dev":"namespace0.2",
       "mode":"sector",
       "size":67042312192,
       "uuid":"XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX",
       "raw_uuid":"XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX",
       "sector_size":4096,
       "blockdev":"pmem0.2s",
       "numa_node":0
     },
     {
       "dev":"namespace0.0",
       "mode":"sector",
       "size":67042312192,
       "uuid":"XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX",
       "raw_uuid":"XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX",
       "sector_size":4096,
       "blockdev":"pmem0s",
       "numa_node":0
     }
   ]
   

5. 以物理方式替换失效的 NVDIMM。