无人值守的memtest:它实用吗？

Question

我将构建一个中等规模的集群(20个节点，稍后进行扩展)，由于各种原因，使用商品硬件应该可以大大节省成本(甚至允许更短的操作周期/故障)。我担心的是持续的记忆错误。

这里最明显的解决方案是在每个节点上定期运行memtest --但这带来了两个问题：

• 当memtest有一个运行(一次然后退出模式)时，我如何配置(提前)在它退出后应该发生什么(即引导Linux)
• 如果出现错误，运行一次模式就会停止--我如何将该状态从主机中预测出来？

Answer 1

实用？不定期作为正在进行的行动的一部分。在内存中等待停机时间不会检测到短暂的位翻转。并介绍了在检测持久故障方面存在的明显滞后现象。此外，如果您指的是开源memtest86+，就会遇到诸如无UEFI支持和自动报告故障之类的集成挑战。

相反，获取具有足够RAS功能的硬件，即ECC内存。然后是您的服务器可以向您报告内存故障。。

这种错误可能不是很常见。没有ECC的服务器不会立即崩溃和烧毁，这是一个选择。但是，如果您的服务器模型上有非ECC的选择，那么价格溢价往往很小。

Answer 2

我现在对问题的第一部分有一个答案。grub发行版包括名为沙鼠的内容。因此，如果Linux在grub中是默认的，我可以要求grub运行memtest一次(之后它将恢复为默认的)。

到目前为止，我对第二部分的唯一选择似乎是在预定的memtest完成之后，寻找一台离线的机器(即不运行Linux)。

Answer 3

我可以知道您在运行哪个应用程序吗?持久内存错误是什么意思？

AFAIK很多今天的应用程序在非ECC上运行得很好，大多数崩溃与ECC问题无关，而是内存不足或错误。

而扫描RAM来识别错误是非常低效的。首先，您可以从日志文件中识别潜在的错误，只有当您发现了症状时，才需要运行memtest。

我认为最好先澄清你的逻辑，找出一个更好的解决方案，你认为呢？