第3章 常见故障分类

做PCIe DMA驱动这些年，我碰到过形形色色的问题。有的直接挂死，有的性能上不去，有的时而正常时而异常。追根溯源，绝大多数故障逃不出四个大类：链路层、事务层、软件配置和硬件设计。

说得直白点，链路层问题好比路没修通，事务层问题好比快递送错了门，软件配置错是钥匙没拿对，硬件设计缺陷则是这栋楼本身就盖歪了。下面咱们一个一个拆开来聊。

链路层故障

链路层是PCIe的最底层，负责物理连接、信号质量和状态机。你想想看，如果链路都没起来，后面全是白搭。

• LTSSM 卡死：链路训练状态机没走到 L0，一直停在 Detect 或 Polling。我遇到过好几次，都是因为参考时钟没起振，或者复位时序不够长。用逻辑分析仪抓一下 PERST# 就清楚了。
• 时钟抖动超标：REFCLK 抖动太大，链路会频繁降速甚至断开。我记得有一次，板子上一个电容焊反了，导致 100MHz 时钟被严重污染，后来用示波器一看，幅度都变形了。
• 信号完整性问题：眼图不张开，误码率飙升。特别是高速 Gen4/Gen5，走线稍微长了点就会出问题。我的建议是：做板子前一定先仿一下通道。

事务层故障

事务层管的是 TLP（事务层包）的组装、拆分和路由。链路通了但数据传不对，十有八九是这层的问题。

• TLP 格式错误：比如 Memory Read 的 Fmt 字段写成了 3DW 需要 4DW 的数据。这种错一般硬件会通过 Unsupported Request 报出来。我在调试时喜欢在驱动里开 Root Port Error Log，直接读 Correctable/Uncorrectable Error Status 寄存器。
• Completion 超时：CPU发起读请求，结果等不到回应。原因可能是地址写错了、对端没解完，或者中断丢了。我曾经被一个Completion Timeout折磨了两天，最后发现是 MSI 中断配置里的 Multiple Message Capable 写成了 0，导致门铃没有被正确清除。
• 地址映射错：DMA 描述符里的物理地址写的是 0x12345678，但对应的PCIe地址空间根本没划给这个设备。系统 IOMMU 会直接给你个 PAGE FAULT。

软件配置错误

这一块是我入行时踩坑最多的领域。说白了，很多问题不是因为硬件坏了，而是驱动代码里某个不起眼的位没设对。

常见错误	典型现象	排查切入点
BAR 空间未使能	读BAR地址全是 0xFFFFFFFF	检查 PCI_COMMAND 寄存器的 Bus Master 位
DMA 描述符链表指针错	DMA 只传了一次就停掉了	确认描述符的 Next Pointer 是否写了物理地址
中断路由配错	中断函数不被调用，或者一直 spuriously 触发	查看 MSI Capability 的 Multiple Message Enable 是否匹配
Max Payload Size 不一致	TLP 被对端拆包，性能下降	比较上下游的 Device Control 寄存器里的 Max_Payload_Size

我个人习惯是，拿到一个新板子，先用 lspci -xxx 把配置空间完整 dump 下来，对照 spec 走一遍。实践证明，这一步能拦截掉 70% 的软件配置问题。

硬件设计缺陷

这一块最让人头疼，因为一旦投板，几乎没法改。只能通过驱动层规避。

• DMA 引擎状态机 Bug：比如在特定条件下，内部计数器溢出导致死锁。我亲身经历过一个 case：某款 FPGA 实现的 DMA，在连续发 256 次写后就再也不响应了。后来查出是 LFSR 重置逻辑少了一个状态。解决方案是驱动里每 200 次传输就插入一个 dummy 读，强行喂一个时钟。
• Desired 时序不满足：芯片的 PCIe 核要求 PERST# 保持低电平 100ms 后才能拉高，但板卡只给了 50ms。结果 10% 的板子无法 link up。可以试试在驱动里延长 pciehp 的探测时间，但这只是缓兵之计。
• 电源/地平面缺陷：大电流时局部电压掉到 0.9V 以下，SerDes 锁相环失锁。这种问题很难复现，可能需要上热成像仪或者改 layout。