原创太空探索之装备：Chipkill自愈内存

 2006-10-25 08:34  7339 10 9 分类: 处理器与DSP

<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" />

Chipkill内存是IBM为NASA（美国太空总署）计划于2003年向火星发射的 “火星漫游者”探测器而设计的，其宗旨只有一个：高可靠性。那么，Chipkill内存是怎样实现高可靠性的呢？

█ 内存纠错技术的发展过程

90年代初，内存体系采用奇偶性校验（Parity Verifying）技术。奇偶校验内存在每一字节（8位）外又额外增加了一位作为错误检测之用，BIOS中的监控程序会将存入内存中的数据位相加，并将结果存于校验位中。比如一个字节中存储了某一数值10011110，每一位加起来的结果为奇数（1＋0＋0＋1＋1＋1＋1＋0＝5），校验位存入1。当CPU读取储存的数据时，监控程序再次相加存储的8位数据，并将计算结果与校验位相比较。如果发现二者不同，系统就会产生出错信息。奇偶校验技术仅能粗略地检查内存错误，并不具备纠错能力。

另一种内存纠错技术叫做ECC（Error Correct Code，纠错码），它也是在原来的数据位上外加位来实现的，增加的位用来重建错误数据。在ECC纠错体系中，如果数据为n个字节，则外加的ECC位为log₂n + 5。例如对于64位数据，需要外加log₂8 + 5 = 8个ECC位。

当出现一个存储位错误时，ECC体系可以自动进行纠错。当出现2个数据位错误时，可以检测出来，但不能纠错，这种行为通常称作“单错纠正／双错检测（Single Error Correction/Double Error Detection ，简称SEC/DED）。一次存取中有2个以上的数据位出错时，由于SEC/DED体系检测不出来了，致使数据的完整性受损。采用这种结构的存储器，当检测出多位错误时，系统就会报告出现了致命故障（Fatal fault），之后系统崩溃。

随着RAM芯片的集成度的提高和内存容量的增大，内存发生错误的概率也随之增加。几年前被认为很可靠的SEC／DED内存体系，今天已经力不从心了，寻求具有多位纠错能力的内存体系结构一直是众多厂商追求的目标。

1996年，Compaq公司的Advanced ECC技术实现了纠正单一内存芯片上的多位错误，也可以纠正内存条上单芯片的失效。1998年，惠普在LH3服务器产品中提出的自修复概念，主要内容也是内存的多位纠错能力。

Chipkill内存是IBM为NASA（美国太空总署）计划于2003年向火星发射的 “火星漫游者”探测器而设计的，如图1。2001年，IBM将这种chipkill技术移植到“蓝色基因”服务器产品中，成为其面向电子商务的电子蜥蜴计划中的一个重要行动。接着DELL等厂商也纷纷在服务器中采用了这种内存体系。

图1 Chipkill内存

Chipkill是一种具有自愈（Self-healing）能力的内存体系结构，在工作过程中进行自我测试（self-test）和自我诊断（self-diagnosis），如果某个RAM芯片或内存条损坏，可以向管理员报告出错信息，但机器仍可继续运行，管理人员可在适当的时候更换故障的零件。

█ Chipkill内存的结构

RAM器件失效最为严重的情形是其全部数据位全部发生错误，纠正这种错误的基本思路应该着眼于芯片和系统的硬件结构，而不可能通过软件升级的方式来达到目的。

存储器中的每个字节外加一个ECC位构成ECC字。如果存储器系统的数据宽度为32个字节（或256位），实际的存储器数据的宽度是256＋32＝288位。同时，每一个数据位都被置于分离的ECC字中。

图2描述了这种方法工作的原理。存储系统由4个DIMM模块构成，32个字节（256位）的数据被分成4个ECC字，每个ECC字含有8个字节（64位）的数据位和8个ECC位。这样，一个ECC字的实际长度为64＋8＝72位，存储数据总长度为72×4＝288位。

图2 Chipkill内存纠错原理

存储器控制器（Memory Controller）把每个ECC字被分成4个长度为18位的段，分别存储于4个DIMM中。同时，每个DIMM中也存储了4个来自不同的ECC字的段。然后，每个段的18个位再被存储在不同的RAM芯片中。

经过上述处理，每个DRAM芯片中只保存了ECC字的一位。如果RAM芯片失效，导致某个芯片中的全部18个位都出错，也只是造成ECC字的一位错误。因为每个ECC字具有SEC／DED能力，可以自动纠错，所以可以恢复所有的数据。当然，对于RAM中的某一位、某一行、某一列发生失效，系统也可以实现自动纠正错误。