PCIe【7】PCIe错误处理

1. 错误类型

• 可纠正错误（Correctable Errors）：可以由硬件自行纠正，过程不丢失硬件信息，无需软件介入。

• 不可纠正错误（Uncorrectable Errors）：影响接口功能的错误。

  • 致命错误（Fatal Errors）：使得特定的链路和相关硬件变得不可靠。

  • 非致命错误（Non-Fatal Errors）：某个特定的事务变得不可靠，但链路本身是完全可用的。

2. 错误信号

以下三种方式可以检测并通知系统发生了错误：

• 完成状态Completion Status

  • 请求处理完成后，系统返回一个完成头部（Completion header），读取其中的Completion Status字段。

  

• 内部错误消息Error Messages

  • 根据错误的严重性被发送到 Root Complex端口以报告错误的检测情况，包含AER的相关信息。

    • 从PCI Express或传统端点发出的错误消息将发送到相应的Root Ports。

    • 从Root Port本身发出的错误将通过同一Root Port进行报告。

• 错误转发Error Forwarding (Data Poisoning)

  • 错误转发，也称为数据中毒，通过在TLP中设置EP位来指示。

3. AER

AER的相关信息位于PCIe协议4.0的7.8.4 Advanced Error Reporting Capability，有详细描述。

2.1 AER结构

AER（Advanced Error Reporting Capability）的结构：

• 不同寄存器之间的区别：

  • Uncorrectable Error Status Register 是用来查看当前发生了哪些不可纠正的错误。

  • Uncorrectable Error Mask Register 提供了一种机制来决定哪些错误应当被忽视，从而避免不必要的警告或中断。

  • Uncorrectable Error Severity Register 则是设定当发生不可纠正错误时应采取的行动等级，从简单的记录到紧急停机都有可能。

2.2 硬件寄存器属性

注意硬件寄存器的不同属性：

Attributes	含义
RW1CS	可读取写入，写入1会复位
RWS	可读取写入，支持直接设置寄存器的内容
ROS	只读但可通过硬件自动设置，软件无法设置
RO	只读

2.3. AER示例

2.3.1 示例1

ARM IIO REGISTER DUMP：ARM架构中中断接口（IIO）相关的寄存器状态信息

AER_CE_STS = 0x00002000表示设备检测到了一个“建议性非致命错误”(Advisory Non-Fatal Error)。

AER_CER_MASK = 0x0000E000表示系统（或固件）配置为屏蔽包括“建议性非致命错误”在内的三种错误类型。

因此，尽管错误发生了，它被屏蔽了，不会触发中断，也不会被上报到系统软件。这个错误只记录在设备自身的状态寄存器中。软件需要主动去轮询读取AER_CE_STS寄存器才能发现这个错误，并且需要向Bit 13写1来清除状态位。

2.3.2 示例2.网卡reboot报hardware error

[Hardware Error Log Number]: 8    Time: 2025-07-30 18:05:57 UTC
Collect: IMU(INT)    				【集成在SoC内部的中断管理单元模块】
Serial Number: 0    				【采集序列号】
Collect Integrity: Validate(0X00)	【采集数据完整性，0X00未验证通过，无错误】
CPU: 0 (Socket: CPU1)    			【错误与CPU0相关，该CPU位于CPU1插槽】
Module: IIO    						【错误发生在IIO模块，IIO（Integrated I/O，集成I/O模块），在ARM服务器SoC中，IIO管理所有外部设备的连接】
Sub Module: NIC    					【IIO下的子模块NIC（网络接口控制器）】
Root Port: (0X7C:0X00:0X00)[NIC 1 (SF221Q)]    
DEV: (0X7D:0X00:0X00)(VID_0X19E5,DID_0XA224)
----------------------- ARM AER REPORTING ERROR -----------------------
Error Type: Non Fatal Error 
BER_STATUS0: Bit(15:8)nic_ras_intr_nfe(PPU)    	
	【BER：Bus Error Register（总线错误寄存器）
	Bit(15:8)：Bit15到Bit8置位
	此错误通常由DMA描述符异常、内存访问错误或队列溢出引起】
----------------------- ARM IIO INTEGRATED DEVICE REGISTER DUMP -----------------------
【ARM IIO INTEGRATED DEVICE REGISTER DUMP：IIO 模块中该集成设备的寄存器转储（Register Dump）】

PCIHDR_VID: 0X19E5
PCIHDR_DID: 0XA224
PCIE_TYPE: 0X00             【Type0配置头，表示为EP设备】
BER_STATUS0: 0X00000800		【Bit11置位，对应nic_ras_intr_nfe(PPU)】
BER_STATUS1: 0X00000000
BER_STATUS2: 0X00000000
BER_STATUS3: 0X00000000
BER_STATUS4: 0X00000000
BER_STATUS5: 0X00000000
BER_STATUS6: 0X00000000
BER_STATUS7: 0X00000000		【STATUS1-STATUS7全0，其它错误未触发】


ras：Reliability, Availability, and Serviceability（可靠性、可用性与可维护性）
intr：Interrupt
nfe：Non-Fatal Error
PPU：Packet Processing Unit（包处理单元）

因此，nic_ras_intr_nfe(PPU)指：
	NIC（Network Interface Controller，网卡）内部的PPU模块检测到了一个非致命错误 (nfe)，并通过RAS机制报告了这个错误，同时触发了一个中断(intr)来通知系统进行相应的处理。