[FPGA 实现及PCIe IP 核知识点] NVMe 热插拔过程以及常见问题（二）

popomao

2年前更新

5052

上篇文章咱们介绍了NVMe热插拔背景知识和常见的流程，下来介绍下最常见的NVMe热插入过程遇到的问题以及简单的识别方法。

一、UEFI设置问题

系统在启动过程中，UEFI初始化过程主要包含：

正确的Root Port Bifurcation配置
在对应Root Port分配下行Bus Number以及预留足够的内存资源
插槽的Root Port的PCIe Capability里面：
- 设置Slot Capability里面的Hotplug Capable
- 根据主板情况，设置Slot Capability里面的SLOT_PWR_LIMIT_SCALE 和SLOT_PWR_LIMIT_VALUE
- 如果支持Surprise remove，设定Slot Capability里面的HOTPLUG_SURPRISE
- 根据主板情况，正确设置Slot Capability里面的PWR_CONTROLLER_PRESENT及其它几个PRESENT位
- 设定PHYSICAL_SLOT_NUM
Hotplug Descriptor初始化：VPP I2C地址，热插拔类型等
对应的SMBIOS和ACPI等

这里比如叫常见的问题主要为：UEFI没有设定正确的Hotplug Capable、没有正确设置PWR_CONTROLLER_PRESENT被设置、没有设置正确的VPP I2C地址、或者Hotplug的处理模式等。是否这方面的问题，可以通过检查以下几个点进行初步排查：不使用热插拔，正常开机是否能检查到；问题是否为100%发生。如果以上两个问题答案均为是，那么就有可能是这个方面的原因。

二、资源问题

从上篇文章的热插入过程，我们知道资源分配问题发生在第14步。这个问题比较简单，通常是UEFI没有在Root port下面预留足够的内存资源，导致操作系统分配资源失败。一般建议保留1MB，但是个别NVMe硬盘可能使用到2MB甚至4MB。确认这个问题的方法也比较简单，OS如Linux的dmesg log就能看到，通常会看到如下log：

WARNING: PCI: 185: 0000:cb:00.0:Failed to assign BAR[4] (MEM64 f=0x4 0x0-0x100000): Out of resources

PCI: 1263: 0000:cb:00.0 8086:41408086:af08 disabled due to insufficient resources or because the device is not supported: Out of resources

三、电源问题

UEFI在PCIe Capability寄存器中的Slot Capability里面SLOT_PWR_LIMIT_SCALE 和SLOT_PWR_LIMIT_VALUE设定错误，导致供电不足。单颗NVMe最高功耗可能高达25W，具体是否为该问题可以查看具体NVMe盘的规范。

四、NVMe盘固件问题

这类问题也常发生，要分析的话通常要用厂商工具读取NVMe的log，交给厂商分析，在这里不做详述。简单判断的方法为，看问题是否发生在特定某个或某系列或某厂商的NVMe盘。

五、时序问题

当我们排除掉上述问题后，我们就可能会怀疑时序问题了。

PCIe规范里面并没有特别定义NVMe的上电时序，但其实总体跟CEM是一样的：

此处内容已隐藏，请评论后刷新页面查看.

比较容易出问题的是：

从3.3V稳定到PERST#拉起的时间不到100ms，导致PERST#拉起的时候，可能电源还没稳定。
从PERST#拉起到整个Training完成后DL Active不能超过1秒钟，但是PERST#拉起到RefClock准备好的时间太差，导致后面Training时间不足。
各种原因导致PRESENCE信息丢失，其中最常见的就是I2C异常或者背板异常
PERST#没有传递到NVMe盘

先解释一下，上面第2条说的1秒钟要求，是从热插入流程步骤7到13这一些列过程。这过程有多次的I2C数据传递和处理，有些I2C数据可能并非实时处理而是使用轮询机制处理，轮询周期的长短将严重影响，甚至可能会发生I2C的不稳定导致重试甚至挂起，所以这个过程其实很容易出问题。要分析这个问题会比较复杂：

首先，看Linux的dmesg log是否有类似如下log：

WARNING: PCIEHP: 1389: 0000:c9:03.0: hotplug slot:0x46 DataLinkLayerStateChanged event does not occur within 1 second, linkStatusDLLLA0

其次，测量NVMe的PERST#最终是否被拉起，如果没拉起，就得一步一步往前排查；如果有拉起，那就检查时间是否超时。

检查超时的两种情况：

PWR_CONTROLLER_PRESENT被设置，或者电源由FPGA控制，则测量3.3V拉起到NVMe PERST#拉起的时间差
PWR_CONTROLLER_PRESENT没被设置，并且电源一直存在，则测量Clock到NVMe PERST#拉起的时间差

因为考虑到NVMe 后续training的时间可能用到400ms，所以保险起见是上诉两种情况的时间差均不宜超过400ms，留下200ms的余量，从而保证总时间不超过1秒。

如果是第3条PRESENCE丢失问题，那么Linux dmesg log中，类似如下两条log看不到：

PCIEHP: 1552: 0000:c9:03.0: hotplug slot:0x46:num reads=1 slot status=0x48.
PCIEHP: 1465: 0000:c9:03.0: hotplug slot:0x46(0000:cb:00.0) Adapter inserted.

如果是第4条PERST#问题，那么可能会看到第2条类似的log，最终超时1秒，可以通过测量NVMe盘的PERST#信号来确认。

六、其它问题

除了上面说的问题，还有一些其它原因也可能导致热插拔失败。比如，上一次拔出之后，发生了严重的错误，导致CPU Root port进入异常状态无法退出，从而无法完成新的插入和training动作。确认方法为检测AER寄存器，看看是否有错误发生；或者用协议分析仪看CPU Root port是否进入了Compliance mode。

如果中间连接了Retimer，也可能是Retimer异常。如果通过PCIe Switch连接，情况可能又不一样。但不管哪种问题，只要你充分理解了整个插入的流程，一步一步排查，问题总能找到。

评分

欢迎为Ta评分