群晖/PVE/ Linux 系统死机如何最小代价的排查问题，每次运行五天后不定时死机。悬赏一包玉溪，采纳后我会 @，先在此谢过了。

[ajaxgoldfish]

本来攒了个 nas 之后挺高兴的，没想到总是死机，每次死机周期还挺长，已经好几次持续数月了。

死机现象

• 硬盘灯不闪，但是亮
• 路由器显示设备离线
• 插屏幕和键鼠没用，没反应
• 电源灯还亮

硬件

• 双 16g 内存，粤虎 ddr4 2666
• cpu 8100t
• 系统，尝试过 pve ，群晖，这两个均是一样的现象
• 系统日志，和 dmesge 均没有有效日志，每次死机的日志都是不同的上下位。
• 电源 150w 。
• 硬盘 16t hc550

尝试过的方法

• 更新 bios 微码
• 换系统，从 pve 换到物理机直接装群晖
• 跑 memtest86 测试，均通过

实在是没招儿了，求助各位专家，如果先换硬件的话先换什么呢

[alfawei]

内存条换一个看看

群晖不管黑白都非常非常稳定

[memorybox]

第一反应是内存； 两根内存留一根，挨个试试？

[Puteulanus]

蹲一个，我朋友那的 x86 软路由也是隔一段时间随机死，为了避免死机都设置成每天定时重启了，现在比较怀疑的是内存，其次是电源，因为工控机 CPU 取不下来（狗头）

[ajaxgoldfish]

@memorybox 嗯嗯，目前准备拔一根试试

[ScotGu]

早年间把 PCIE3.0*8 的万兆网卡 插到 PCIE3.0 X4 （物理槽是 X8 的），也挂过。

[happyn]

如果是 PVE 的话，我碰上过网卡负载大的时候自动重启的问题，解决方法参考这里：

https://forum.proxmox.com/threads/e1000-driver-hang.58284/page-8#post-390709

[zhixiao]

我之前也有过会死机的情况，后来发现主板纽扣电池没电了，换了个就再也没出现了

[caltong]

内存没问题的话就换主板吧，顺带买张诊断卡，到时候方便排查具体卡点。

[ningfan120]

NAS 的话，还要考虑有没有那个应用持续吃内存，把内存爆掉了，然后就会死机了。

[null2error]

这不请出日志大法？能稳定复现的问题一般不会太难查~

[OysterQAQ]

内存没问题就直接换主板，排查代价很大，而且基本查不出

[frankilla]

我的 pve 每月更新一次系统，在此期间没有死过一次。感觉有没有可能是硬盘问题咧？

[lxh1983]

我的 8505 装 PVE 或者 unraid 也会死机，后来关掉 C1 就好了

[zzNucker]

基本主板或者 U 的问题

[ajaxgoldfish]

@zzNucker 这么严重吗 =。=

[ajaxgoldfish]

@null2error 不能稳定复现，每次运行五天以上才会死，五天以后就不定时的死机了

[yelc668]

感觉是内存条跟板不兼容 大概率是这样我猜的

[riazjack218]

不定时死机的问题之前我也遇到过，每次隔一周左右就死机了，情况和楼主的描述也大差不差，不过我的系统是 esxi
```
2024-09-21T09:16:15.508Z cpu2:2099372)[45m[33;1mVMware ESXi 6.7.0 [Releasebuild-15160138 x86_64][0m
Machine Check Exception: Fatal MCE on PCPU2 in world 2099372:vmm2:linux-2?System has encountered a Hardware Error - Please contact the hardware vendor
2024-09-21T09:16:15.508Z cpu2:2099372)cr0=0x80050033 cr2=0x7f3384751518 cr3=0x12e6ea000 cr4=0x152660
2024-09-21T09:16:15.508Z cpu2:2099372)frame=0x451a0261bec0 ip=0x41801354745b err=18 rflags=0xffffffffffffffff
2024-09-21T09:16:15.509Z cpu2:2099372)rax=0xffffffffffffffff rbx=0xffffffffffffffff rcx=0xffffffffffffffff
2024-09-21T09:16:15.509Z cpu2:2099372)rdx=0xffffffffffffffff rbp=0x1 rsi=0xffffffffffffffff
2024-09-21T09:16:15.509Z cpu2:2099372)rdi=0xffffffffffffffff r8=0xffffffffffffffff r9=0xffffffffffffffff
2024-09-21T09:16:15.509Z cpu2:2099372)r10=0xffffffffffffffff r11=0xffffffffffffffff r12=0xffffffffffffffff
2024-09-21T09:16:15.509Z cpu2:2099372)r13=0xffffffffffffffff r14=0xffffffffffffffff r15=0xffffffffffffffff
2024-09-21T09:16:15.509Z cpu2:2099372)pcpu:0 world:2099368 name:"vmm0:ikuai (V)
2024-09-21T09:16:15.509Z cpu2:2099372)pcpu:1 world:2099590 name:"vmm3:linux-1" (V)
2024-09-21T09:16:15.509Z cpu2:2099372)pcpu:2 world:2099372 name:"vmm2:linux-2 (V)
2024-09-21T09:16:15.509Z cpu2:2099372)pcpu:3 world:2099371 name:"vmm1:linux-3 (V)
2024-09-21T09:16:15.509Z cpu2:2099372)@BlueScreen: Machine Check Exception: Fatal MCE on PCPU2 in world 2099372:vmm2:linux-2?System has encountered a Hardware Error - Please contact the hardware vendor
2024-09-21T09:16:15.509Z cpu2:2099372)Code start: 0x418013400000 VMK uptime: 6:06:35:27.868
```
后来排查发现是宿主机中 CPU 使用率过高，虚拟机无法正常获取资源导致的磁盘 io 延迟过高进而导致 esxi 的崩溃；楼主如果有空的话可尝试装个 esxi 观察几天，等出现紫屏的时候再看看详细的 debug