H3C UniServer R4950 G5 服务器压测实战：13根内存条24小时压力测试全流程

一、背景

客户的 H3C UniServer R4950 G5 服务器（配 13 根 64GB 内存条）需要出货前质检，怀疑存在掉件或不良内存条。本次进行 24 小时内存压力测试，验证每根内存条的稳定性，并输出完整测试日志作为交付凭证。

---

二、服务器硬件配置

2.1 整机信息

项目	详情
服务器型号	H3C UniServer R4950 G5
OEM 厂商	New H3C Technologies Co., Ltd.
产品代号	EthanolX
机箱类型	Rack（机架式）
Wake-up Type	Power Switch

2.2 CPU 配置

项目	详情
型号	AMD EPYC 7513 32-Core Processor
架构	x86_64
物理插槽	2（Sockets）
每插槽核心数	32
每核心线程数	2（SMT）
总核心/线程	128 / 256
CPU 家族	25
步进	1
最大频率	3681.6 MHz
最小频率	1500.0 MHz
NUMA 节点	2（node0: 0-31,64-95 / node1: 32-63,96-127）
L3 缓存	256 MiB × 8 实例
虚拟化	AMD-V（支持 SEV/SEV-ES）

2.3 内存配置

项目	详情
总内存	818 GiB（约 832 GB）
已使用	812 GiB
可用	3.7 GiB
内存条数	13 根
单根容量	64 GB
类型	Samsung RDIMM（ECC）
Swap	无（0 B）

---

三、压测方案设计

3.1 核心目标

• 对 13 根内存条进行 24 小时满载压力测试

• 覆盖多种内存读写模式，暴露潜在不良件

• 监控 ECC 纠错事件，识别单 bit / 多 bit 翻转

• 输出完整日志作为交付凭证

3.2 工具选型

stress-ng

内存压力测试工具，stress-ng 是 stress 的增强版，支持 70+ 种压力测试模式。

# 安装
sudo apt-get install stress-ng

核心参数说明：

参数	含义
--vm N	启动 N 个内存压力进程
--vm-bytes SIZE	每个进程占用的内存量
--vm-method MODE	内存压测算法（如 all、xor、hamming）
--verify	写后验证，检测位翻转
--timeout SECONDS	测试时长
--metrics-brief	简化输出指标

rasdaemon

Linux RAS（Reliability, Availability, Serviceability）工具，专门捕获和记录 ECC 内存错误。

# 安装
sudo apt-get install rasdaemon
​
# 启动
sudo systemctl enable rasdaemon
sudo systemctl start rasdaemon

ECC 错误类型说明：

类型	全称	含义	严重程度
CE	Correctable Error	可纠正错误（单 bit 翻转）	⚠️ 警告
UE	Uncorrectable Error	不可纠正错误（多 bit 翻转）	❌ 严重

---

四、压测脚本详解

4.1 完整脚本内容

#!/bin/bash
​
LOG_DIR="/root/mem_test_logs"
LOG_FILE="$LOG_DIR/stress_$(date +%Y%m%d_%H%M%S).log"
ECC_LOG="$LOG_DIR/ecc_errors_$(date +%Y%m%d_%H%M%S).log"
DURATION=86400  # 24小时 = 86400秒
​
mkdir -p "$LOG_DIR"
​
echo "========================================" | tee -a "$LOG_FILE"
echo "内存压测开始时间: $(date)" | tee -a "$LOG_FILE"
echo "服务器: $(hostname)" | tee -a "$LOG_FILE"
echo "总内存: $(free -h | awk '/Mem/{print $2}')" | tee -a "$LOG_FILE"
echo "压测时长: 24小时" | tee -a "$LOG_FILE"
echo "========================================" | tee -a "$LOG_FILE"
​
# 后台持续监控 ECC 错误，每60秒采样一次
(
while true; do
    echo "--- ECC Check: $(date) ---" >> "$ECC_LOG"
    sudo ras-mc-ctl --error-count >> "$ECC_LOG" 2>&1
    sudo ras-mc-ctl --status >> "$ECC_LOG" 2>&1
    sleep 60
done
) &
ECC_PID=$!
​
# 启动 stress-ng 压测
echo "开始 stress-ng 压测..." | tee -a "$LOG_FILE"
​
stress-ng \
  --vm 32 \
  --vm-bytes 800G \
  --vm-method all \
  --verify \
  --timeout ${DURATION}s \
  --metrics-brief \
  --log-file "$LOG_FILE" \
  2>&1 | tee -a "$LOG_FILE"
​
STRESS_EXIT=$?
​
# 停止 ECC 监控
kill $ECC_PID 2>/dev/null
​
echo "========================================" | tee -a "$LOG_FILE"
echo "压测结束时间: $(date)" | tee -a "$LOG_FILE"
echo "stress-ng 退出码: $STRESS_EXIT" | tee -a "$LOG_FILE"
​
# 最终 ECC 汇总
echo "--- 最终 ECC 错误统计 ---" | tee -a "$LOG_FILE"
sudo ras-mc-ctl --error-count | tee -a "$LOG_FILE"
​
if [ $STRESS_EXIT -ne 0 ]; then
    echo "⚠️  压测检测到错误，请检查日志！" | tee -a "$LOG_FILE"
else
    echo "✅  压测完成，未发现错误。" | tee -a "$LOG_FILE"
fi
​
echo "日志保存在: $LOG_DIR" | tee -a "$LOG_FILE"

4.2 脚本设计逻辑

┌─────────────────────────────────┐
│         启动 ECC 后台监控        │  ← 每 60s 采样 ras-mc-ctl
│   (后台进程 PID 保存)            │
└────────────┬────────────────────┘
             │ 并行
             ▼
┌─────────────────────────────────┐
│       stress-ng 32进程 × 800G   │  ← 覆盖所有内存行
│       --vm-method all --verify  │  ← 多种算法 + 写后验证
│       timeout = 86400s          │  ← 24小时
└────────────┬────────────────────┘
             │
             ▼
      ┌──────────────┐
      │  压测结束    │
      └──────┬───────┘
             │
             ▼
┌─────────────────────────────────┐
│  停止 ECC 监控，输出最终报告    │
│  日志写入 LOG_DIR               │
└─────────────────────────────────┘

4.3 启动与后台运行

使用 nohup 确保 SSH 断开后进程不受影响。

# 创建脚本文件
cat > /root/mem_stress_test.sh << 'EOF'
# （粘贴上方脚本内容）
EOF
chmod +x /root/mem_stress_test.sh
​
# 创建日志目录（重要！nohup 重定向目标要先存在）
mkdir -p /root/mem_test_logs
​
# 后台启动
nohup /root/mem_stress_test.sh > /root/mem_test_logs/nohup.log 2>&1 &
​
echo "压测 PID: $!"

4.4 监控命令汇总

# 查看压测是否运行
ps aux | grep mem_stress
​
# 实时查看压测日志
tail -f /root/mem_test_logs/nohup.log
​
# 实时查看 ECC 错误
tail -f /root/mem_test_logs/ecc_errors_*.log
​
# 查看内存占用
free -h
​
# 查看 ECC 错误汇总
sudo ras-mc-ctl --error-count

---

五、测试结果解读

5.1 初始测试数据（测试启动约 10 分钟）

内存使用情况：

               total        used        free      shared  buff/cache   available
Mem:           818Gi       817Gi       1.1Gi        32Mi       167Mi       1.0Gi
Swap:             0B          0B          0B

ECC 错误统计：

Label	CE	UE
mc#0csrow#2channel#0 ~ mc#1csrow#3channel#7	0	0

注：rasdaemon 识别出 26 个内存通道槽位，初始状态下所有通道的 CE（Correctable Error）和 UE（Uncorrectable Error）均为 0，未发现任何 ECC 错误。

5.2 判断标准

测试结果	结论
stress-ng 退出码 = 0，ECC CE/UE 全为 0	✅ 内存条正常，全部通过
ECC 有 CE（Correctable Error）计数 > 0	⚠️ 存在可纠正错误，软故障，需关注
ECC 有 UE（Uncorrectable Error）计数 > 0	❌ 存在不可纠正错误，确认不良件
stress-ng 报 verify failure	❌ 内存读写验证失败，确认不良件

---