Como determinar a causa de reinicializações aleatórias no servidor fedora linux

Question

Eu tenho uma caixa f23 linux rodando como um servidor dev, e várias vezes nas últimas semanas eu vim para logar e descobri que ela foi resetada. Uma vez, ele foi reiniciado bem na minha frente e pareceu reiniciar para o BIOS e, em seguida, ligá-lo novamente.

Isso parece acontecer uma vez a cada 2 ou 3 dias. O log do servidor mostra somente operações normais, cron etc, até que ele seja reinicializado e reinicializado;

link

Jan 01 20:01:02 pc03.config run-parts[19540]: (/etc/cron.hourly) starting mcelog.cron
Jan 01 20:01:02 pc03.config run-parts[19544]: (/etc/cron.hourly) finished mcelog.cron
Jan 01 20:09:10 pc03.config puppet-agent[19565]: Applied catalog in 0.03 seconds
-- Reboot --
Jan 01 20:17:57 pc03.config systemd-journal[372]: Runtime journal is using 8.0M (max allowed 1.5G, trying to leave 2.3G free of 15.6G available → current limit 1.5G).
Jan 01 20:17:57 pc03.config systemd-journal[372]: Runtime journal is using 8.0M (max allowed 1.5G, trying to leave 2.3G free of 15.6G available → current limit 1.5G).
Jan 01 20:17:57 pc03.config kernel: Linux version 4.8.13-100.fc23.x86_64 ([email protected]) (gcc version 5.3.1 20160406 (Red Hat 5.3.1-6) (GCC) ) #1 SMP Fri Dec 9 14:51:40 UTC 2016
Jan 01 20:17:57 pc03.config kernel: Command line: BOOT_IMAGE=/vmlinuz-4.8.13-100.fc23.x86_64 root=/dev/mapper/fedora_pc03-root ro rd.lvm.lv=fedora_pc03/root rd.lvm.lv=fedora_pc03/swap rhgb quiet nouveau.modeset=0 rd.driver.blacklist=nouveau video=vesa:off LANG=en_GB.UTF-8
Jan 01 20:17:57 pc03.config kernel: x86/fpu: Supporting XSAVE feature 0x001: 'x87 floating point registers'
Jan 01 20:17:57 pc03.config kernel: x86/fpu: Supporting XSAVE feature 0x002: 'SSE registers'

No entanto, parece haver muitas dessas mensagens na revista;

Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]: Hardware error from APEI Generic Hardware Error Source: 1
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]: It has been corrected by h/w and requires no further action
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]: event severity: corrected
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:  Error 0, type: corrected
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:  fru_text: CorrectedErr
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:   section_type: PCIe error
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:   port_type: 0, PCIe end point
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:   version: 0.0
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:   command: 0xffff, status: 0xffff
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:   device_id: 0000:80:02.3
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:   slot: 0
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:   secondary_bus: 0x00
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:   vendor_id: 0xffff, device_id: 0xffff
Jan 01 17:05:20 pc03.config kernel: {680}[Hardware Error]:   class_code: ffffff

Eu verifiquei o log de eventos do BIOS no smbios, e ele só tem o código de reinicialização 0x17 mostrando a máquina surgindo após a reinicialização, e não está registrado nenhuma redefinição de memória como eu esperava.

Infelizmente a máquina não suporta IPMI, já que a placa é um supermicro X9DAi

Não sei ao certo como interpretar o código de erro nessa mensagem de erro de hardware, mas parece que 0000: 80: 02 corresponde a;

[root@pc03 ~]# lspci -s 0000:80:02
80:02.0 PCI bridge: Intel Corporation Xeon E5/Core i7 IIO PCI Express Root Port 2a (rev 07)

Atualmente, estou monitorando o servidor para temps / cpu e, portanto, terei uma boa ideia dos estados do sensor quando ele falhar em seguida. Há outras etapas que eu possa tomar para determinar a causa raiz desse travamento?