本發(fā)明屬于操作系統(tǒng)技術(shù)領(lǐng)域，特別是涉及一種內(nèi)存錯(cuò)誤恢復(fù)方法和裝置。

背景技術(shù)：

隨著大數(shù)據(jù)相關(guān)產(chǎn)業(yè)的推動(dòng)，IT供應(yīng)商正在采用越來(lái)越大規(guī)模的服務(wù)器來(lái)提供相應(yīng)的計(jì)算以及存儲(chǔ)能力。以主流4路服務(wù)器為例，最高配置為96條內(nèi)存，在數(shù)據(jù)中心，動(dòng)輒幾萬(wàn)臺(tái)的數(shù)量使得數(shù)據(jù)中心內(nèi)存數(shù)量驟增，伴隨數(shù)量增多的還有內(nèi)存發(fā)生錯(cuò)誤的幾率。內(nèi)存錯(cuò)誤分為可糾正的內(nèi)存錯(cuò)誤和不可糾正的內(nèi)存錯(cuò)誤，內(nèi)存本身存在ECC糾錯(cuò)邏輯，可糾正錯(cuò)誤就是內(nèi)存檢測(cè)到1個(gè)bit的錯(cuò)誤可以糾正，多于一個(gè)bit的錯(cuò)誤統(tǒng)稱為不可糾正錯(cuò)誤。對(duì)于可糾正錯(cuò)誤，系統(tǒng)一般只做記錄，對(duì)于不可糾正錯(cuò)誤，當(dāng)前系統(tǒng)有效的手段只有內(nèi)存鏡像，代價(jià)是犧牲一半的內(nèi)存，而且在一個(gè)內(nèi)存通道上的錯(cuò)誤只能恢復(fù)一個(gè)，極高的成本和相對(duì)低的收益使得這個(gè)方法極少被實(shí)際應(yīng)用。

已經(jīng)連續(xù)發(fā)生可糾正錯(cuò)誤的內(nèi)存顆粒，通常已經(jīng)被物理上損壞，損壞顆粒上的內(nèi)存會(huì)導(dǎo)致更嚴(yán)重的不可糾正錯(cuò)誤，甚至可能帶來(lái)宕機(jī)的問(wèn)題，而現(xiàn)有技術(shù)中并沒(méi)有相關(guān)的防范措施。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問(wèn)題，本發(fā)明提供了一種內(nèi)存錯(cuò)誤恢復(fù)方法和裝置，能夠使已經(jīng)連續(xù)發(fā)生可糾正錯(cuò)誤的內(nèi)存顆粒不再被操作系統(tǒng)調(diào)用，從而避免這個(gè)損壞顆粒上的內(nèi)存導(dǎo)致更嚴(yán)重的不可糾正錯(cuò)誤，以避免宕機(jī)現(xiàn)象的發(fā)生。

本發(fā)明提供的一種內(nèi)存錯(cuò)誤恢復(fù)方法，包括：

對(duì)可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)進(jìn)行累計(jì)；

當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍；

殺死當(dāng)前利用到所述物理地址范圍的所有進(jìn)程，釋放相應(yīng)的內(nèi)存地址；

將包含所述內(nèi)存地址的所有page進(jìn)行離線處理；

重啟所有被殺死的進(jìn)程。

優(yōu)選的，在上述內(nèi)存錯(cuò)誤恢復(fù)方法中，所述當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍包括：

當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，通過(guò)觸發(fā)CMCI中斷告知操作系統(tǒng)；

所述操作系統(tǒng)觸發(fā)BIOS SMI handler；

所述BIOS收集發(fā)生所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank的地址范圍，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍。

優(yōu)選的，在上述內(nèi)存錯(cuò)誤恢復(fù)方法中，所述確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍之后，還包括：

將所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank地址范圍寫入ACPINVS中的相應(yīng)區(qū)域。

優(yōu)選的，在上述內(nèi)存錯(cuò)誤恢復(fù)方法中，所述將所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank地址范圍寫入ACPI NVS中的相應(yīng)區(qū)域之后，還包括：

所述操作系統(tǒng)讀取所述NVS中的所述整個(gè)Rank地址范圍。

優(yōu)選的，在上述內(nèi)存錯(cuò)誤恢復(fù)方法中，所述操作系統(tǒng)觸發(fā)BIOS SMIhandler為：

所述操作系統(tǒng)利用IO端口0xB2觸發(fā)所述BIOS SMI handler。

本發(fā)明提供的一種內(nèi)存錯(cuò)誤恢復(fù)裝置，包括：

累計(jì)部件，用于對(duì)可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)進(jìn)行累計(jì)；

確定部件，用于當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍；

釋放部件，用于殺死當(dāng)前利用到所述物理地址范圍的所有進(jìn)程，釋放相應(yīng)的內(nèi)存地址；

離線部件，用于將包含所述內(nèi)存地址的所有page進(jìn)行離線處理；

重啟部件，用于重啟所有被殺死的進(jìn)程。

優(yōu)選的，在上述內(nèi)存錯(cuò)誤恢復(fù)裝置中，所述確定部件包括：

告知單元，用于當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，通過(guò)CMCI中斷告知操作系統(tǒng)；

觸發(fā)單元，用于利用所述操作系統(tǒng)觸發(fā)BIOS SMI handler；

確定單元，用于利用所述BIOS收集發(fā)生所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank地址范圍，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍。

優(yōu)選的，在上述內(nèi)存錯(cuò)誤恢復(fù)裝置中，還包括：

寫入單元，用于將所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank地址范圍寫入ACPI NVS中的相應(yīng)區(qū)域。

優(yōu)選的，在上述內(nèi)存錯(cuò)誤恢復(fù)裝置中，還包括：

讀取單元，用于利用所述操作系統(tǒng)讀取所述NVS中的所述整個(gè)Rank地址范圍。

優(yōu)選的，在上述內(nèi)存錯(cuò)誤恢復(fù)裝置中，所述觸發(fā)單元具體用于利用IO端口0xB2觸發(fā)所述BIOS SMI handler。

通過(guò)上述描述可知，本發(fā)明提供的內(nèi)存錯(cuò)誤恢復(fù)方法和裝置，由于該方法包括：對(duì)可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)進(jìn)行累計(jì)；當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍；殺死當(dāng)前利用到所述物理地址范圍的所有進(jìn)程，釋放相應(yīng)的內(nèi)存地址；將包含所述內(nèi)存地址的所有page進(jìn)行離線處理；重啟所有被殺死的進(jìn)程，因此，能夠使已經(jīng)連續(xù)發(fā)生可糾正錯(cuò)誤的內(nèi)存顆粒不再被操作系統(tǒng)調(diào)用，從而避免這個(gè)損壞顆粒上的內(nèi)存導(dǎo)致更嚴(yán)重的不可糾正錯(cuò)誤，以避免宕機(jī)現(xiàn)象的發(fā)生。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本申請(qǐng)實(shí)施例提供的第一種內(nèi)存錯(cuò)誤恢復(fù)方法的示意圖；

圖2為本申請(qǐng)實(shí)施例提供的第一種內(nèi)存錯(cuò)誤恢復(fù)裝置的示意圖。

具體實(shí)施方式

本發(fā)明的核心思想在于提供一種內(nèi)存錯(cuò)誤恢復(fù)方法和裝置，能夠使已經(jīng)連續(xù)發(fā)生可糾正錯(cuò)誤的內(nèi)存顆粒不再被操作系統(tǒng)調(diào)用，從而避免這個(gè)損壞顆粒上的內(nèi)存導(dǎo)致更嚴(yán)重的不可糾正錯(cuò)誤，以避免宕機(jī)現(xiàn)象的發(fā)生。

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本申請(qǐng)實(shí)施例提供的第一種內(nèi)存錯(cuò)誤恢復(fù)方法如圖1所示，圖1為本申請(qǐng)實(shí)施例提供的第一種內(nèi)存錯(cuò)誤恢復(fù)方法的示意圖，該方法包括如下步驟：

S1：對(duì)可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)進(jìn)行累計(jì)；

需要說(shuō)明的是，可糾正內(nèi)存錯(cuò)誤就是內(nèi)存檢測(cè)到1個(gè)bit的錯(cuò)誤，具有可以糾正的特點(diǎn)，而多于一個(gè)bit的錯(cuò)誤則統(tǒng)稱為不可糾正錯(cuò)誤，這些種類的錯(cuò)誤是硬件錯(cuò)誤，可能是由電磁輻射或者射線靜電所引起。

S2：當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍；

其中的預(yù)設(shè)閾值可以根據(jù)具體情況進(jìn)行相應(yīng)的設(shè)置，目前行業(yè)里面比較優(yōu)化的選擇為5000。

S3：殺死當(dāng)前利用到所述物理地址范圍的所有進(jìn)程，釋放相應(yīng)的內(nèi)存地址；

具體而言，在操作系統(tǒng)確認(rèn)損壞內(nèi)存顆粒所在的物理地址范圍后，需要將用到此應(yīng)用范圍內(nèi)的所有進(jìn)程都?xì)⑺?，從而釋放這些高風(fēng)險(xiǎn)的內(nèi)存地址。

S4：將包含所述內(nèi)存地址的所有page進(jìn)行離線處理；

其中，page是linux內(nèi)存管理的基本單元，將其offline掉之后，就能夠防止后續(xù)被調(diào)用。

S5：重啟所有被殺死的進(jìn)程。

利用該步驟，就能夠恢復(fù)之前所運(yùn)行的應(yīng)用，防止錯(cuò)誤進(jìn)一步擴(kuò)散，避免不可糾正錯(cuò)誤的發(fā)生。

通過(guò)上述描述可知，本申請(qǐng)實(shí)施例提供的第一種內(nèi)存錯(cuò)誤恢復(fù)方法，由于包括：對(duì)可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)進(jìn)行累計(jì)；當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍；殺死當(dāng)前利用到所述物理地址范圍的所有進(jìn)程，釋放相應(yīng)的內(nèi)存地址；將包含所述內(nèi)存地址的所有page進(jìn)行離線處理；重啟所有被殺死的進(jìn)程，因此，能夠使已經(jīng)連續(xù)發(fā)生可糾正錯(cuò)誤的內(nèi)存顆粒不再被操作系統(tǒng)調(diào)用，從而避免這個(gè)損壞顆粒上的內(nèi)存導(dǎo)致更嚴(yán)重的不可糾正錯(cuò)誤，以避免宕機(jī)現(xiàn)象的發(fā)生。

本申請(qǐng)實(shí)施例提供的第二種內(nèi)存錯(cuò)誤恢復(fù)方法，是在上述第一種內(nèi)存錯(cuò)誤恢復(fù)方法的基礎(chǔ)上，還包括如下技術(shù)特征：

所述當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍包括：

當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，通過(guò)觸發(fā)CMCI中斷告知操作系統(tǒng)；

所述操作系統(tǒng)觸發(fā)BIOS SMI handler，具體的，操作系統(tǒng)啟動(dòng)錯(cuò)誤恢復(fù)程序，通過(guò)IO端口0xB2觸發(fā)BIOS SMI Handler來(lái)進(jìn)一步處理；

所述BIOS收集發(fā)生所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank的地址范圍，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍，然后將原始錯(cuò)誤信息清除。

本申請(qǐng)實(shí)施例提供的第三種內(nèi)存錯(cuò)誤恢復(fù)方法，是在上述第二種內(nèi)存錯(cuò)誤恢復(fù)方法的基礎(chǔ)上，還包括如下技術(shù)特征：

所述確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍之后，還包括：

將所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank地址范圍寫入ACPINVS中的相應(yīng)區(qū)域。

需要說(shuō)明的是，該區(qū)域是BIOS和操作系統(tǒng)在ACPI交互變量的專用區(qū)域，，比如在做內(nèi)存熱插拔交互的時(shí)候都會(huì)用到。

本申請(qǐng)實(shí)施例提供的第四種內(nèi)存錯(cuò)誤恢復(fù)方法，是在上述第三種內(nèi)存錯(cuò)誤恢復(fù)方法的基礎(chǔ)上，還包括如下技術(shù)特征：

所述將所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank地址范圍寫入ACPI NVS中的相應(yīng)區(qū)域之后，還包括：

所述操作系統(tǒng)讀取所述NVS中的所述整個(gè)Rank地址范圍。

需要說(shuō)明的是，該地址范圍被mapout之后，就達(dá)到了隔離的目的。

本申請(qǐng)實(shí)施例提供的第五種內(nèi)存錯(cuò)誤恢復(fù)方法，是在上述第二種內(nèi)存錯(cuò)誤恢復(fù)方法的基礎(chǔ)上，還包括如下技術(shù)特征：

所述操作系統(tǒng)觸發(fā)BIOS SMI handler為：

所述操作系統(tǒng)利用IO端口0xB2觸發(fā)所述BIOS SMI handler。

本申請(qǐng)實(shí)施例提供的第一種內(nèi)存錯(cuò)誤恢復(fù)裝置如圖2所示，圖2為本申請(qǐng)實(shí)施例提供的第一種內(nèi)存錯(cuò)誤恢復(fù)裝置的示意圖，該裝置包括：

累計(jì)部件201，用于對(duì)可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)進(jìn)行累計(jì)，可糾正內(nèi)存錯(cuò)誤就是內(nèi)存檢測(cè)到1個(gè)bit的錯(cuò)誤，具有可以糾正的特點(diǎn)，而多于一個(gè)bit的錯(cuò)誤則統(tǒng)稱為不可糾正錯(cuò)誤，這些種類的錯(cuò)誤是硬件錯(cuò)誤，可能是由電磁輻射或者射線靜電所引起；

確定部件202，用于當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍，其中的預(yù)設(shè)閾值可以根據(jù)具體情況進(jìn)行相應(yīng)的設(shè)置，目前行業(yè)里面比較優(yōu)化的選擇為5000；

釋放部件203，用于殺死當(dāng)前利用到所述物理地址范圍的所有進(jìn)程，釋放相應(yīng)的內(nèi)存地址，在操作系統(tǒng)確認(rèn)損壞內(nèi)存顆粒所在的物理地址范圍后，需要將用到此應(yīng)用范圍內(nèi)的所有進(jìn)程都?xì)⑺?，從而釋放這些高風(fēng)險(xiǎn)的內(nèi)存地址；

離線部件204，用于將包含所述內(nèi)存地址的所有page進(jìn)行離線處理，其中，page是linux內(nèi)存管理的基本單元，將其offline掉之后，就能夠防止后續(xù)被調(diào)用；

重啟部件205，用于重啟所有被殺死的進(jìn)程，能夠恢復(fù)之前所運(yùn)行的應(yīng)用，防止錯(cuò)誤進(jìn)一步擴(kuò)散，避免不可糾正錯(cuò)誤的發(fā)生。

通過(guò)上述描述可知，本申請(qǐng)實(shí)施例提供的第一種內(nèi)存錯(cuò)誤恢復(fù)裝置能夠使已經(jīng)連續(xù)發(fā)生可糾正錯(cuò)誤的內(nèi)存顆粒不再被操作系統(tǒng)調(diào)用，從而避免這個(gè)損壞顆粒上的內(nèi)存導(dǎo)致更嚴(yán)重的不可糾正錯(cuò)誤，以避免宕機(jī)現(xiàn)象的發(fā)生。

本申請(qǐng)實(shí)施例提供的第二種內(nèi)存錯(cuò)誤恢復(fù)裝置，是在上述第一種內(nèi)存錯(cuò)誤恢復(fù)裝置的基礎(chǔ)上，還包括如下技術(shù)特征：

所述確定部件包括：

告知單元，用于當(dāng)所述可糾正內(nèi)存錯(cuò)誤的個(gè)數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，通過(guò)CMCI中斷告知操作系統(tǒng)；

觸發(fā)單元，用于利用所述操作系統(tǒng)觸發(fā)BIOS SMI handler，具體的，操作系統(tǒng)啟動(dòng)錯(cuò)誤恢復(fù)程序，通過(guò)IO端口0xB2觸發(fā)BIOS SMI Handler來(lái)進(jìn)一步處理；

確定單元，用于利用所述BIOS收集發(fā)生所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank地址范圍，確定出導(dǎo)致所述可糾正內(nèi)存錯(cuò)誤的損壞內(nèi)存顆粒所影響的物理地址范圍，然后將原始錯(cuò)誤信息清除。

本申請(qǐng)實(shí)施例提供的第三種內(nèi)存錯(cuò)誤恢復(fù)裝置，是在上述第二種內(nèi)存錯(cuò)誤恢復(fù)裝置的基礎(chǔ)上，還包括如下技術(shù)特征：

還包括：

寫入單元，用于將所述可糾正內(nèi)存錯(cuò)誤的地址所在內(nèi)存條的整個(gè)Rank地址范圍寫入ACPI NVS中的相應(yīng)區(qū)域。

需要說(shuō)明的是，該區(qū)域是BIOS和操作系統(tǒng)在ACPI交互變量的專用區(qū)域，，比如在做內(nèi)存熱插拔交互的時(shí)候都會(huì)用到。

本申請(qǐng)實(shí)施例提供的第四種內(nèi)存錯(cuò)誤恢復(fù)裝置，是在上述第三種內(nèi)存錯(cuò)誤恢復(fù)裝置的基礎(chǔ)上，還包括如下技術(shù)特征：

讀取單元，用于利用所述操作系統(tǒng)讀取所述NVS中的所述整個(gè)Rank地址范圍。

需要說(shuō)明的是，該地址范圍被mapout之后，就達(dá)到了隔離的目的。

本申請(qǐng)實(shí)施例提供的第五種內(nèi)存錯(cuò)誤恢復(fù)裝置，是在上述第二種內(nèi)存錯(cuò)誤恢復(fù)裝置的基礎(chǔ)上，還包括如下技術(shù)特征：

所述觸發(fā)單元具體用于利用IO端口0xB2觸發(fā)所述BIOS SMI handler。

對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。