超级计算机中主存储器可靠性技术研究.pdf

李金娜：超级计算机中主存储器可靠性技术 超级计算机中主存储器可靠性技术 李金娜① (江南计算技术研究所 无锡214083) 摘要本文先对存储器错误进行简单分类，对超级计算机存储器检错纠错算法、存储器 清洗技术、存储器冗余技术等作了介绍，并分别提出了存储器清洗算法和存储器冗余操作 的一种实现方案。 关键词超级计算机，ECC字，可靠性，冗余，清洗 比例约为95％。 0 引言 2存储器可靠性设计 当今世界计算机技术飞速发展，为追求高性能， 超级计算机规模越来越庞大，对系统可靠性要求也 为提高超级计算机中存储器的可靠性，国内外 越来越高，而存储器可靠性在超级计算机系统可靠 开展了深入研究。尽管人们对存储器的设计封装做 性中占有举足轻重的份额。本文分析了存储器错误 了大量工作，以提高它的可靠性，但现实应用中存储 的产生原因，并分别从纠正、预防和冗余三个角度出 器总是不可避免发生错误，为此必须对存储器的错 发，介绍了存储器可靠性设计中的三种技术：ECC纠 误在一定范围内进行纠正，现代计算机系统通常采 错码、存储器清洗算法以及存储器冗余操作，并就存 用ECC纠错码实现这一功能。但是任何纠错码的 储器清洗算法、存储器冗余提出了可供参考的一种 纠错能力都是有限的，而存储器的错误是会累积的， 实现方案。 并且这种错误累积效果是造成不可纠错误的主要原 因，从尽量减少存储器错误累积的角度，可采用存储 1存储器错误分类 器清洗方法来提高存储器的可靠性。然而，存储器 某单元一旦发生硬错误，通过存储器清洗是无法消 从产生错误的机理来分，可以将存储器错误分 除的，这种情况下只有通过存储器冗余位替换掉已 为软错(SoftError)和硬错(HardError)两类。存储器 发生硬错误位，才能保证存储器在一定时间内仍可 软错主要是在存储芯片受alpha粒子或宇宙射线干以正常工作。下文先对各种提高存储器可靠性的措 扰时发生的，目前受益于存储器芯片封装材料质量 施做一简单介绍，着重提出存储器清洗流程和存储 得到很大提高，受alpha粒子影响而导致软错的情况器冗余流程。 得以明显减少，但软错仍是存储器错误中发生概率 2．1传统的SEC．I)ED算法 最大的一类。由于alpha粒子或宇宙射线的干扰通 在超级计算机主存储器中，最常用的算法是纠 常只会造成瞬间的电位变化，所以软错是“临时性” ErrorCorrect．DoubleEr． 单错检双错SEC．DED(Single 的。硬错是由存储单元的硅片和金属化物理失效引 IDr Detect)[tJ算法。此算法由硬件实现。当存储器 起的，一旦发生或存在，则是“永久性”的。 中单错比例为95％左右时，采用SEC．DED算法将使 IBM的一个统计表明：在存储器错误中，软错占 主存储器的纠错能力提高20倍左右。 98％以上，而且主要是软单错。例如，IBM用来做存2．2位分散(Bit Scattering)技术 储器故障模拟时所做的