ESXi 紫屏

ESXi 紫屏死机（Purple Screen of Death，简称 PSOD）是 VMware ESXi 系统遇到严重错误时显示的紫色错误界面，类似于 Windows 的蓝屏死机。

紫屏类比于程序员写代码，跑起来全是红色警告。起初陈大剩遇到有点慌，当遇到多了，也就习惯了，先记录一下，再看是什么原因。

什么是 ESXi 紫屏

ESXi 紫屏是 VMware 虚拟化平台的内核级错误显示机制，当系统遇到无法恢复的严重错误时会触发。

紫屏死机影响

• 虚拟机停止：所有运行中的虚拟机立即关闭
• 数据丢失风险：未保存的虚拟机数据可能丢失
• 服务中断：整个虚拟化环境不可用
• 系统重启：ESXi 主机自动重启

陈大剩遇到的紫屏

不得不说陈大剩遇到的紫屏还真不少，此处列举几个常遇到的紫屏，遇到先记录下来。

紫屏一紫屏二紫屏三

紫屏信息解读

陈大剩用一个图来解释一下紫屏的信息，通过 ESXi 紫屏信息，可以看到具体的使用状态：

ESXi 8.0.3 版本，架构为 x86_64，错误类型为 PF Exception 14，世界 ID 为 2099241，问题标签为 vmx，涉及模块包括：xxxx。 从图上我们只能看出是 vmx 相关问题 ，并不能看出什么来，向这种问题就需要向 VMware 官方资源 去搜索或提问了。

基本信息结构

此处陈大剩将 ESXi 紫屏重点信息关键信息，列举一下：

Bash

# 错误类型和世界 ID
#PF Exception 14 in world 12345:vmm0

# 错误发生地址
@ 0x41800123abc

# 寄存器状态
RAX: 0x0000000000000000  RBX: 0x1234567890abcdef
RCX: 0x0000000000000001  RDX: 0x0000000000000000

# 调用堆栈
Backtrace:
0x41800123abc [vmkernel]
0x41800456def [vmkernel]
0x418007890ab [driver_module]

常见错误类型

错误代码	错误名称	主要原因	严重程度
#PF Exception 14	页面错误	内存访问错误、驱动问题	高
#GP Exception 13	通用保护错误	硬件兼容性、驱动冲突	高
NMI Exception	不可屏蔽中断	硬件故障、内存错误	极高
MCE Exception 18	机器检查异常	CPU、内存硬件错误	极高
ASSERT Failed	断言失败	软件缺陷、配置错误	中

关键字段含义

世界 ID（World ID）：

• vmm0: 虚拟机监视器
• console: 管理控制台
• net-XXX: 网络相关进程
• scsi-XXX: 存储相关进程

信息记录建议

• 拍照保存：紫屏信息会在重启后消失
• 记录完整信息：包括错误代码、地址、调用堆栈
• 注意时间：记录故障发生的具体时间

本文只挑选了关键部分讲解，细致的讲解可参考官方文章：Interpreting a host purple diagnostic screen，需要一些英文基础。

检查方法步骤

步骤 1：获取核心转储文件

ESXi 紫屏发生后，系统会生成核心转储文件用于详细分析：

查找转储文件位置：

方法 1：vSphere Client 查看方法 2：SSH 命令行方法 3：直连控制台

导航路径：【主机】→【监控】→【日志】，具体日志每个日志代表什么，可在 步骤 2：分析系统日志 分析。

Bash

# 连接 ESXi SSH
ssh root@esxi-host-ip

# 查找核心转储文件
find /vmfs/volumes -name "*.dumpfile" -type f
find /var/core -name "*.dumpfile" -type f

# 查看最新的转储文件
ls -la /var/core/ | head -10

如果网络不可用，可通过 DCUI（直连用户界面）：

1. 在 ESXi 主机控制台按 F2
2. 输入 root 密码登录
3. 选择【View System Logs】
4. 选择【vmkernel.log】查看错误信息

步骤 2：分析系统日志

关键日志文件：

Bash

# 主要系统日志
/var/log/vmkernel.log      # 内核日志（最重要）
/var/log/messages          # 系统消息
/var/log/hostd.log         # 主机守护进程日志
/var/log/vpxa.log          # vCenter 代理日志

# 查看日志的时间范围（紫屏前后 30 分钟）
grep -A 10 -B 10 "Exception\|PSOD\|panic" /var/log/vmkernel.log

日志分析示例：

Bash

# 示例：内存相关错误
2024-01-15T14:32:15.123Z cpu4:12345)WARNING: Heap: 2976: Heap_Align(memMap/2): 
    Alignment 4096 not supported for size 2048

# 示例：硬件错误
2024-01-15T14:32:20.456Z cpu0:12345)NMI: 1234: NVRAM: Non-Fatal Error in DIMM_A1
    Single-bit ECC error detected

# 示例：驱动问题
2024-01-15T14:32:25.789Z cpu2:12345)WARNING: vmkapi: 1234: Invalid parameter 
    passed to vmk_PktList API

步骤 3：硬件健康检查

CPU 状态检查：

Bash

# 检查 CPU 信息和错误
esxcli hardware cpu list
esxcli hardware cpu cpuid get

# 查看 CPU 温度和频率
vsish -e get /hardware/cpu/cpuList/

内存状态检查：

Bash

# 内存信息概览
esxcli hardware memory get

# 内存插槽详细信息
smbiosDump | grep -A 20 "Memory Device"

# ECC 错误统计
vsish -e get /hardware/memory/

存储健康检查：

Bash

# 存储适配器状态
esxcli storage core adapter list

# 磁盘健康状态
esxcli storage core device list
esxcli storage nmp device list

# SMART 信息检查
esxcli storage core device smart get -d <device-name>

步骤 4：网络和PCI设备检查

网络设备状态：

Bash

# 网络适配器列表
esxcli network nic list

# 网络驱动信息
esxcli network nic get -n vmnic0

# 网络错误统计
esxcli network nic stats get -n vmnic0

PCI 设备状态：

Bash

# PCI 设备列表
lspci -v

# 查看设备直通状态
esxcli hardware pci list | grep -A 5 -B 5 "Pass"

常见故障原因及解决

硬件相关问题

内存故障CPU 过热存储控制器故障

症状特征：

• 错误代码：#PF Exception 14、NMI Exception
• 日志关键词：ECC error、Memory、DIMM

检查方法：

Bash

# 内存错误日志
grep -i "ecc\|memory\|dimm" /var/log/vmkernel.log

# BIOS 内存测试
# 重启进入 BIOS，运行内存诊断程序

解决方案：更换故障内存条、重新插拔内存条、检查内存兼容性、升级 BIOS 版本。

症状特征：

• 错误代码：MCE Exception 18
• 日志关键词：thermal、temperature
• 间歇性死机，高负载时频发

检查方法：

Bash

# CPU 温度监控
vsish -e get /hardware/cpu/cpuList/0/temperature

# 风扇转速检查
ipmitool sensor list | grep -i fan

解决方案：清洁 CPU 散热器、更换导热硅胶、检查机箱风扇、改善机房散热。

症状特征：

• 错误代码：#GP Exception 13
• 日志关键词：scsi、storage、adapter
• 虚拟机磁盘错误

检查方法：

Bash

# 存储错误日志
grep -i "scsi\|storage\|adapter" /var/log/vmkernel.log

# 磁盘阵列状态
esxcli storage core adapter stats get

解决方案：检查 SATA/SAS 线缆、更新存储驱动、检查磁盘阵列卡、更换故障硬盘。

软件配置问题

驱动不兼容虚拟机配置错误

症状特征：

• 错误发生在特定驱动模块
• 调用堆栈指向第三方驱动

解决方法：

Bash

# 查看已安装驱动
esxcli software vib list | grep -v VMware

# 移除问题驱动
esxcli software vib remove -n driver-name

# 安装兼容驱动
esxcli software vib install -v /path/to/driver.vib

常见配置问题：

• 内存过量分配
• CPU 热插拔配置错误
• 设备直通配置冲突

检查方法：

Bash

# 检查虚拟机配置
vim-cmd vmsvc/getallvms
vim-cmd vmsvc/get.config <vmid>

# 检查资源分配
esxtop -b -n 1 | grep -A 20 MACHINE

系统环境问题

ESXi 版本缺陷BIOS 兼容性

解决方案：

1. 检查 VMware 知识库
2. 升级到最新补丁版本
3. 应用临时修复方案

检查要点：

• 虚拟化功能是否开启
• 内存映射设置
• CPU 省电模式配置

预防措施

硬件层面

定期维护计划：

• 每月检查：CPU 温度、内存使用率
• 每季度维护：清洁散热器、检查风扇
• 每半年检查：内存诊断、硬盘 SMART 信息
• 每年更换：导热硅胶、UPS 电池

监控告警设置：

Bash

# 设置硬件监控告警
esxcli system settings advanced set -o /Config/HealthCheck/Enable -i 1

# 配置 SNMP 监控
esxcli system snmp set --enable true
esxcli system snmp set --communities community_name

软件层面

系统配置最佳实践：

YAML

# ESXi 主机配置建议
内存预留: 10-15%
CPU 超分比: 不超过 4:1
存储队列深度: 默认值
网络缓冲区: 根据负载调整

定期更新策略：

1. 关注 VMware 安全公告
2. 测试环境验证补丁
3. 分阶段生产环境部署
4. 建立回滚预案

监控和备份

关键监控指标：

监控项目	正常范围	告警阈值	检查频率
CPU 使用率	< 80%	> 90%	实时
内存使用率	< 85%	> 95%	实时
存储延迟	< 20ms	> 50ms	每分钟
网络丢包率	< 0.1%	> 1%	每分钟
系统温度	< 70°C	> 80°C	实时

备份恢复策略：

Bash

# ESXi 配置备份
vicfg-cfgbackup -s esxi-host-ip -f esxi-config.tar.gz

# 虚拟机配置备份
vim-cmd vmsvc/snapshot.create <vmid> backup-snapshot

# 定期完整备份
ghettoVCB.sh -a -g ghettoVCB.conf

故障案例分析

案例 1：内存 ECC 错误

故障现象：

Text Only

#PF Exception 14 in world 12345:vmm0
@ 0x41800123abc
RAX: 0x0000000000000000

排查过程：

Bash

# 1. 查看内存错误日志
grep -i "ecc" /var/log/vmkernel.log
> 2024-01-15T14:32:20.456Z cpu0:12345)NMI: NVRAM: Single-bit ECC error detected

# 2. 检查内存插槽
smbiosDump | grep -A 10 "DIMM_A1"
> Memory Device: DIMM_A1, Size: 16384 MB, Type: DDR4, Speed: 2666 MHz

# 3. 内存诊断测试
# BIOS 内存测试发现 DIMM_A1 存在错误

解决方案：更换 DIMM_A1 内存条，问题解决。

案例 2：第三方网卡驱动冲突

故障现象：

Text Only

#GP Exception 13 in world 67890:net-queue-0
Backtrace: 0x418007890ab [rtl8125_driver]

排查过程：

Bash

# 1. 识别问题驱动
esxcli software vib list | grep rtl8125
> rtl8125    1.0.0-1    Realtek    PartnerSupported

# 2. 查看网卡错误
esxcli network nic stats get -n vmnic1
> Errors: 12345 packets dropped

# 3. 移除问题驱动
esxcli software vib remove -n rtl8125

解决方案：使用 VMware 官方兼容的网卡驱动，系统恢复稳定。

故障诊断工具

命令行工具

系统信息收集：

Bash

# 生成系统诊断包
vm-support -w /tmp/ -d 7

# 硬件信息导出
esxcli hardware platform get > hardware-info.txt
esxcli system version get > version-info.txt

日志分析脚本：

Bash

#!/bin/bash
# psod-analyzer.sh - ESXi 紫屏日志分析脚本

echo "=== ESXi PSOD 日志分析 ==="
echo "分析时间: $(date)"

# 检查最近的异常
echo -e "\n=== 最近错误日志 ==="
grep -i "exception\|panic\|psod" /var/log/vmkernel.log | tail -20

# 硬件错误统计
echo -e "\n=== 硬件错误统计 ==="
grep -c "NMI\|MCE\|ECC" /var/log/vmkernel.log

# 内存相关错误
echo -e "\n=== 内存错误详情 ==="
grep -i "memory\|dimm" /var/log/vmkernel.log | tail -10

第三方工具

RVTools：虚拟化环境信息收集 vSphere Health Check：系统健康评估 VMware Log Insight：日志集中分析

诊断总结

ESXi 紫屏问题的诊断需要系统性方法，从错误信息解读到硬件检查，再到软件配置验证。建立完善的监控机制和定期维护计划，可以有效预防此类严重故障的发生。遇到复杂问题时，及时收集诊断信息并寻求专业技术支持。

技术支持资源

如实在遇到不能解决的问题，可在 VMware 官方资源中查找，其他人有没有出现过类似的问题，没有的话，就直接提出问题，不要害怕语言问题。

VMware 官方资源

• 知识库：kb.vmware.com
• 社区论坛：communities.vmware.com
• 技术支持：通过 vSphere Client 提交 SR

诊断信息收集

提交技术支持时，需要收集：

1. 完整紫屏照片
2. vm-support 诊断包
3. 硬件配置清单
4. 故障发生时间和频率
5. 最近的系统变更记录

紧急处理建议

• 首要原则：保障数据安全，避免二次故障
• 记录优先：详细记录故障现象和错误信息
• 分步排查：从软件到硬件，逐步排除故障原因
• 寻求帮助：复杂问题及时联系专业技术支持

---

创建日期: 2025年2月25日 最后更新: 2025年8月18日