为什么影响面不止一台虚机
宿主机内存错误的影响面不止一台虚机：可纠正错误通常被透明纠正但会累积，不可纠正错误可能导致虚机崩溃，严重时整台宿主机宕机。处置前的第一步不是拆机换内存，而是评估受影响的虚机范围与迁移路径。
基本信息
| 可纠正错误 | 通常透明纠正，需要记录并观察趋势 |
|---|---|
| 不可纠正错误 | 可能导致虚机崩溃或宿主机宕机 |
| 影响范围 | 同宿主机上的所有虚机都可能被牵连 |
| 处置路径 | 先迁移受影响虚机，再安排维护窗口换件 |
| 记录要求 | 事件与虚机影响范围同步登记 |
| 风险控制 | 避免在运行中热换内存 |
典型使用场景
- 应急处置：宿主机报内存错误时的第一步动作
- 维护安排：按虚机迁移难度排序，分批停业务
- 高可用设计：确认虚机可迁移的路径与目标容量
- 故障复盘：统计同一宿主机反复出错的频率
- 关联分析：虚机异常与宿主机错误的对应关系
- 容量规划：为迁移预留足够的落位余量
- 监控联动：把宿主机内存错误事件接入监控，缩短发现时间
评估与准备迁移
评估与准备迁移
# 宿主机侧的内存与 MCE 记录
dmesg -T | grep -iE 'edac|mce' | tail -20
# 该宿主机上的虚机清单
virsh list --all
# 单台虚机的内存相关统计
virsh domstats <vm-name> | grep -i -E 'memory|balloon'影响评估
| 错误类型 | 对虚机的影响 | 处置顺序 |
|---|---|---|
| 可纠正错误 | 通常无感，仅计数增长 | 记录观察，安排计划性更换 |
| 不可纠正错误 | 虚机可能崩溃 | 立即评估迁移并保留现场 |
| 反复发生 | 影响面持续扩大 | 尽快安排停业务换件 |
| 宿主机宕机 | 全部虚机同时中断 | 检查高可用与恢复流程 |
不要在宿主机运行中热换内存：先停业务、迁移虚机、断电后再操作，否则风险远大于收益。
出错的宿主机应停止接收新虚机：把风险限制在当前范围内，比事后补救容易得多。
记录要写到虚机粒度：事件时间、受影响的虚机名与业务方，是后续复盘与沟通的依据，只记“某台机器报了内存错”用处有限。