軟失效導致OLT設備脫管問題分析

OLT作為局端設備，主要用于對終端業(yè)務的控制和承載，同時在整個接入網(wǎng)絡中，OLT也作為承上啟下的“業(yè)務橋梁”，承擔著故障處理的“分水嶺”的重要責任。一旦OLT設備發(fā)生異常故障，就會給終端業(yè)務造成十分嚴重的影響。

圖1 大量報錯打印信息

在日常維護工作當中，OLT所引起的故障，大家都已經(jīng)十分熟悉了，而本文則主要給大家分享一種日常不常見的OLT脫管故障及處理方法。

問題描述

近 日，有 同事發(fā)現(xiàn)某地的烽火GPON機房5516-01 OLT Telnet登錄失敗，也無法ping通，專業(yè)網(wǎng)管顯示設備脫管。

問題分析

步驟1：現(xiàn)場登錄主控盤上，發(fā)現(xiàn)有大量報錯打印，如圖1所示。

步驟2：這是交換芯片的ParityError報錯，芯片廠商的相關資料如下：

1.概念：ParityError稱為軟失效，軟失效是指由于高能粒子單元對芯片晶元的撞擊，產(chǎn)生大量的電子空穴對，當這些帶電粒子的帶電量與芯片存儲單元的閥值電荷量相當時，將會導致芯片比特翻轉而引起單/多比特錯誤。

2.產(chǎn)生原因：芯片尺寸越來越小，功耗越來越低，晶體管的節(jié)點電壓和工作電壓都隨之降低，使得芯片也越來越容易產(chǎn)生軟失效的問題。

軟失效的原因分為如下兩大類：芯片封裝材料中放射性元素產(chǎn)生的alpha粒子，1%的錯誤是多比特錯誤；宇宙射線的高能中子和低能中子，30%的錯誤是多比特錯誤。

3.失效概率：一般儲存器芯片廠家都會給出芯片的軟失效率（SER）。

單 位 FIT（Fail In Time），即每109個小時芯片發(fā)生軟失效的錯誤數(shù)。根據(jù)芯片儲存容量的不同一般表為FIT/Mb，其中1FIT/Mb=1fail per 109hrs per 106bits=1015fail/bithour。瑞薩提供的SER，封裝材料alpha粒子引起的SER為126FIT/Mb，宇宙射線一起的 SER為 98FIT/Mb。

4.處理機制：

問題現(xiàn)象：某個表項或者寄存器出現(xiàn)比特翻轉，導致業(yè)務中斷。

處理機制：芯片內(nèi)部硬件周期性快速的檢查所有表項，若檢測到某個表項出現(xiàn)PARITY/ECC錯誤，則通知CPU，CPU使用該表項的軟備份配置重新刷新該表項進行恢復。

注意事項：軟件需要備份存儲所有相關表項的配置值，若表項很大，則會耗費CPU大量內(nèi)存。

步驟3：經(jīng)過以上分析，以及結合現(xiàn)場問題的報錯打印信息，確定了該問題是由于主控盤的交換芯片的軟失效導致。

問題結論

根據(jù)以上排查和分析，確認問題原因是由于主控盤的交換芯片的軟失效導致。

解決方法

1.通過查詢失效業(yè)務的相關寄存器，如果發(fā)現(xiàn)有EVEN_PARITY=1，則存在軟失效問題，此時只能重啟單盤解決。

2.如果重啟后仍然上報EVEN_PARITY并且不消失，請更換機盤。

小結

OLT軟失效脫管故障的發(fā)生，從無法登錄OLT設備進行查看，到維護人員初步判斷懷疑是鏈路故障、光模塊故障、設備是否掉電。而失效過程中并沒有收到OLT所帶用戶上報故障，趕到現(xiàn)場也沒有發(fā)現(xiàn)設備斷電、端口指示燈正常，有數(shù)據(jù)燈閃爍。

如何快速尋找并正確定位處理至關重要，維護人員現(xiàn)場通過采用串口線連接設備，采集設備日志信息發(fā)送給廠家，分析出產(chǎn)生故障原因，進而采取針對性的排錯舉措。