Reliability, Availability, and Serviceability
- 可靠性（Reliability）
系统持续产生正确结果并确保数据完整性的能力，核心是错误检测与纠正。
关键技术与原理
ECC（Error-Correcting Code）
通过冗余数据位检测和纠正内存中的单/多位错误。例如，ECC 内存可修复单比特错误，避免系统崩溃。
奇偶校验（Parity）与 CRC（Cyclic Redundancy Check）
奇偶校验：通过奇偶位检测单比特错误，但无法纠正。
CRC：通过多项式计算生成校验码，检测数据传输中的错误（如网络通信）。
错误隔离与标记
对不可纠正的错误（如多比特内存故障），系统隔离错误数据并标记，防止错误扩散（例如内核内存错误可触发系统崩溃保护）。
SDDC（Single Device Data Correction）
内存控制器通过 ECC 技术，即使单个内存芯片完全故障，仍能纠正数据错误（如 Intel 的 x4 SDDC）。
内存镜像（Memory Mirroring）
全镜像：复制所有内存数据到备用模块，故障时切换（牺牲 50% 容量）。
地址范围镜像：仅镜像关键区域（如内核内存），降低成本并保护虚拟化环境中的核心状态。
- 可用性（Availability）
系统在故障时保持运行的能力，核心是容错与降级运行。
关键技术与原理
CPU 自检（BIST, Built-In Self-Test）
系统上电时自动检测硬件状态，确保基础组件（如缓存、寄存器）正常，否则阻止启动。
UPI 动态链路宽度缩减
当高速互连链路（如 Intel UPI）发生 CRC 错误时，自动减半链路宽度（如 16 位 → 8 位），以维持通信功能。
内存禁用与映射（DDR5）
检测到故障内存单元后，系统在初始化阶段将其标记为禁用（map-out），允许剩余内存正常引导至操作系统。
CXL/PCIe 热插拔
支持在不关机情况下更换故障设备（如硬盘、GPU），通过冗余链路维持系统运行。
PCIe 链路重新训练
当链路信号质量下降时，重新协商通信参数（如速率、电压），恢复稳定连接。
预测性故障分析
结合算法（如机器学习）分析硬件健康状态（如温度、电压），提前触发维护操作（如迁移数据、降频）。
无缝固件更新
通过双固件分区设计，在运行时更新微码（如 CPU 微码），无需重启系统。
- 可维护性（Serviceability）
快速诊断和修复故障的能力，核心是错误日志与访问机制。
关键技术与原理
错误报告与日志
硬件记录错误详细信息（如错误类型、位置），供管理员通过操作系统或管理接口（如 IPMI）查看。
超时定时器
检测组件响应超时（如 CPU 未收到内存响应），触发错误中断并记录日志，防止系统挂起。
带外（OOB）错误收集（如 JTAG）
通过独立于操作系统的接口（如 JTAG 调试端口）访问硬件日志，即使系统崩溃也能获取故障信息。
带内错误收集（状态寄存器）
通过操作系统直接读取硬件寄存器中的错误状态（如 PCIe 设备的配置空间），简化诊断流程。
总结
可靠性：通过 ECC、镜像等技术确保数据正确性。
可用性：通过热插拔、链路恢复等技术最小化停机时间。
可维护性：通过日志、OOB 访问等技术加速故障定位。
可以观察到，高可靠性和高可维护性会导致高可用性，因为一个不发生故障的系统具有很高的可用性。如果它遇到故障，高可维护性确保系统能够更快地恢复运行，从而提高整体可用性。
评论 (0)