内存故障分两种：会在日志里留下痕迹的，和不会的。
前一种容易被忽视，因为「ECC 能纠错」听起来像是问题已经解决了；后一种难查，因为除了机器偶尔重启之外没有别的线索。
这两种都值得认真对待，原因不太一样。
一、一条内存报错，整个通道跟着降速
现象：系统日志或 BMC 日志报某条 DIMM 出现可纠错错误（Correctable Error，CE）。业务没有中断，数据也没有出错，但整体性能下来了。
原因：内存控制器为了保证稳定性，会对出问题的通道采取保护措施——把该通道降频，或者关闭跨通道交织（interleaving）。
后果：一条内存的问题，代价是整个通道、甚至整台机器的内存带宽。对内存带宽敏感的业务（数据库、内存计算、虚拟化密度高的宿主机），这个损失是能被直接感知到的。
怎么判断要不要换：看 BMC 日志里 CE 计数的增长速度。
- 一个月零星几次：观察
- 一天几十上百次且在加速：该换了
ECC 能纠错，不代表可以一直放着不管。持续的 CE 通常是硬件劣化的前兆，而且它已经在拿性能换稳定了。
换的时候注意：rank 和频率要和同通道内其余条子一致。这一条展开见《同型号同容量，为什么装不上》。
二、插槽顺序装错，认不全容量
现象：装了 8 条内存，系统只认出 6 条；或者容量数字对了，但性能明显不对。
原因：每个平台的 DIMM 插槽都有规定的填充顺序。这个顺序不是美观问题，是通道对称性问题——跳着插会破坏通道配平，内存控制器无法建立完整的交织。
后果：
- 轻的：不能交织，内存带宽打折，容量数字正常，所以没人发现
- 重的：某些条子直接不被识别
做法：按主板丝印或维护手册上的填充顺序装。多数平台会在主板上印A1/B1/C1/D1 这样的标识，或者用不同颜色的卡扣区分优先插槽。不要凭感觉。
换单条的时候也一样：拆下来的条子装回原来的槽位。临时插到旁边一个「反正是空的」槽位里，是这类问题最常见的来源。
这类问题不报错，只是悄悄损失性能。做一次容量和频率的核对就能发现。
三、内存不报错，机器却隔三差五重启
现象：没有明显的硬件告警，但系统不定期宕机或重启，找不到规律。
这是三类里最难查的。
可能原因：不可纠错错误（Uncorrectable Error，UCE）。ECC 能纠正单比特错误，纠正不了多比特错误。碰到 UCE，系统为了不让错误数据扩散，会直接触发宕机。
为什么难查：宕机发生在一瞬间，操作系统往往来不及把日志写盘。你在 /var/log 里什么都找不到，只看到一次干净的重启。
从哪里查：BMC 的硬件事件日志（iDRAC / iLO / IMM / XCC，各家叫法不同）。BMC 是独立于操作系统运行的，宕机不影响它记录。UCE 事件通常会留下一行，带 DIMM 槽位信息。
定位不到具体槽位怎么办：用交叉法——拆掉一半，跑一段时间；不再宕机就说明问题在拆掉的那一半里，再二分。这个过程慢，但比继续等下一次宕机快。
备件提示：过保机型的内存往往已经停产。提前备一条放在手边，比出事之后现找快得多——尤其是当你要用交叉法排查，手里得有一条确定是好的。
排查顺序
| 症状 | 先看哪里 | 判断依据 |
|---|---|---|
| 性能下降，日志有 CE | BMC 日志 CE 计数 | 增长速度，不是绝对值 |
| 容量不对或性能不对 | 主板填充顺序 | 对照维护手册 |
| 偶发宕机，OS 日志干净 | BMC 硬件事件日志 | 找 UCE 记录和槽位 |
| BMC 也没记录 | 交叉法二分 | 逐步缩小范围 |
三类里有两类要看 BMC 日志。如果你的机房还没有把 BMC 日志接进集中监控，这件事的优先级应该排得很靠前——它是唯一一个在机器宕机时还在工作的记录者。
关于备件
内存的互换性比硬盘还细：速率、rank、颗粒组织、RDIMM/LRDIMM，任何一项对不上都可能白买。我们的料号库记到 PC4-xxxx 和 xRxx 这一级，并记录可替代料号。
常见平台的 DDR4 RDIMM 多数为库房常备。可以在备件料号速查里按品牌或料号直接搜。
本文描述的是这类设备的常见故障模式，不是某一台机器的具体案例。