优化数据中心基础设施的性能与可靠性：采用替代内存故障保护解决方案

数据中心基础设施中替代内存故障保护方案优化性能与可靠性

内存故障

• 内存故障是导致服务器停机的主要原因之一。
• 每一代DDR的密度和速度增加导致内存故障率上升。
• 当前的内存错误分类方法已达到极限，难以有效识别故障DIMM。

内存错误类型

• DIMM故障：未观察到的故障原因，包括软故障（粒子、宇宙射线）和硬故障（磨损、制造缺陷）。
• DIMM错误：由故障引起的症状，通常由固件或操作系统报告（如MCE日志、SEL日志）。
• 可纠正错误（CE）：可以通过ECC或芯片杀技术纠正的错误。
• 不可纠正错误（UE）：灾难性故障，通常导致系统崩溃。

内存故障的影响

• 内存故障会导致意外停机，需要手动更换DIMM。
• 新DDR代际带来的高密度和高速度增加了单比特错误的可能性。

传统内存处理流程

• SMI处理器 -> BIOS/FW -> 内存错误转发器 -> BMC/FW -> 硬件（处理器、内存等）
• 常用阈值方法确定内存故障，但存在局限性。

内存故障预测需求

• 使用阈值方法可以知道内存何时失效，但能否在实际失效前预测？
• 如果能够预测内存故障：
  • 可以提前卸载受影响的DIMM。
  • 可以在发生系统崩溃前进行维护。

构建内存预测算法

• 类似于构建任何机器学习模型，需要大量数据。
• 可以通过分析失败DIMM的历史错误模式来发现未来故障的模式。

使用内存模型

• 上游聚合点可通过RESTful API收集MHRS信息。
• 实例：腾讯和美团的实际应用结果。

实际效果

• 5倍提升DIMM故障预测，减少停机时间。
• 简化工作负载迁移策略。
• 优化页面卸载策略。
• 减少不必要的内存更换和升级成本。
• 预测内存故障并减少不可纠正错误。

进一步改进

• 将CE错误处理直接由BMC通过平台接口完成。
• 继续利用预测算法和健康评分聚合，以获得实际效益。

行动呼吁

• 内存故障将继续成为行业问题。
• 内存故障预测具有实际益处。
• 创建模型需要时间和数据。
• 让我们一起寻找新的内存故障预测方式，提高整体计算性能！

开放讨论

• 鼓励进一步探讨和合作。