北京2018年1月25日電 /美通社/ -- 浪潮天梭M13服務器是專為超大規(guī)模實時事務處理而設計的大型關鍵計算系統(tǒng)，面向總部級別的銀行存儲款、電信行業(yè)計費系統(tǒng)、跨國企業(yè)ERP等關鍵應用場景。M13支持處理器核心數(shù)量超過1000個，具有強大的在線事務處理能力，同時采用了復雜的高可用技術系統(tǒng)，滿足業(yè)務7*24小時穩(wěn)定運行需求。
天梭M13的內(nèi)存高可用挑戰(zhàn)
RAS特性（即服務器的可靠性Reliability、可用性Availability以及可服務性Serviceability）對于大型關鍵應用主機來說尤為關鍵，能夠讓主機容忍各類軟硬件故障，可以顯著延長系統(tǒng)平均無故障時間，保證客戶業(yè)務持續(xù)穩(wěn)定運行，是保障系統(tǒng)高可用性的技術基礎。
M13的可用性設計覆蓋了系統(tǒng)的每個部分，極為復雜，本文只介紹一項內(nèi)存可用性技術 -- IMS內(nèi)存檢測隔離。
內(nèi)存錯誤和故障是引發(fā)系統(tǒng)硬件故障的原因之一，一方面，從SDR到DDR，再到目前的DDR3，內(nèi)存的容量和性能不斷提升，內(nèi)存顆粒容量的增大、單元密度增加、生產(chǎn)工藝的復雜，客觀上增加了內(nèi)存缺陷檢查和測試的難度；另一方面，天梭M13較大支持1536個DIMM插槽，內(nèi)存容量高達48TB，使得內(nèi)存發(fā)生錯誤和故障的概率顯著增加。
IMS -- Intelligent Memory Surveillance
目前，內(nèi)存錯誤的診斷和處理技術相對成熟，主要有ECC、chipkill、SDDC等，這些技術能夠檢驗內(nèi)存錯誤，進行相應處理，但是有一定局限性，例如ECC可以檢驗和糾正一個數(shù)據(jù)位錯誤，但無法糾正2個錯誤位同時發(fā)生，而且如果ECC錯誤頻繁發(fā)生會導致Multi-bit被標識為不可用，甚至觸發(fā)MRC內(nèi)存管理機制，將整個Rank/DIMM做disable處理。頻繁的內(nèi)存錯誤并不表示內(nèi)存物理失效，也有可能是外部環(huán)境溫度過高、電壓波動等因素導致，這樣的處理會減少內(nèi)存性能、浪費內(nèi)存空間，從而降低系統(tǒng)性能。
IMS -- Intelligent Memory Surveillance，是一套完整的內(nèi)存錯誤和故障校驗、診斷和處理方法，具備內(nèi)存檢測、失效隔離和預警等完整的內(nèi)存管理功能，解決了內(nèi)存故障無法修復導致停機、故障難于定位、個別錯誤導致大規(guī)模內(nèi)存浪費等內(nèi)存錯誤和故障處理難題。
IMS系統(tǒng)概述
浪潮天梭M13高端服務器的IMS系統(tǒng)配置了高效的內(nèi)存診斷工具，用戶可以自行對內(nèi)存問題進行檢查。M13開機時，在BIOS啟動階段（進入操作系統(tǒng)前），用戶可進入Diagnostic模塊，在3種不同強度的測試模式 -- Quick、Standard和Extensive中進行選擇，對內(nèi)存進行測試和檢驗。檢測完成后，對于關鍵區(qū)域或大塊面積的不可修復錯誤，IMS會給出警示信息，提示用戶需要更換內(nèi)存，對于非關鍵區(qū)域、分散性的少量錯誤，IMS會將錯誤地址記錄并對故障單元進行隔離，機器之后的運行時不會再對這些錯誤地址進行訪問。
當系統(tǒng)啟動成功，進入OS后，IMS會實時進行內(nèi)存的監(jiān)測、保護和處理。首先IMS系統(tǒng)會實時統(tǒng)計內(nèi)存ECC錯誤信息，并對錯誤地址以IMS自帶的多個測試算法進行強化測試，對錯誤進行有效性確認，同時預測相關可能出錯的地址。最后，IMS系統(tǒng)對確認錯誤或預測產(chǎn)生的不可糾錯的內(nèi)存，應用 OS的隔離技術，在此部分內(nèi)存區(qū)域空閑時予以隔離，離開應用內(nèi)存空間。
IMS -- 內(nèi)存錯誤減少95%以上
IMS系統(tǒng)能夠在天梭M13服務器運行過程中，有效減少失效內(nèi)存進入系統(tǒng)的機會。開機前的可選Diagnostic功能類似工廠專用內(nèi)存測試ATE，但又優(yōu)于ATE，可以讓用戶方便的進行全面內(nèi)存檢查。隨著服役時間的延長，內(nèi)存的電氣性能會不斷衰減，從而產(chǎn)生內(nèi)存失效隱患，Diagnostic功能讓用戶有效避免這一隱患。
在系統(tǒng)運行時，IMS可以將故障內(nèi)存進行隔離，也很好的防止內(nèi)存退化帶來的內(nèi)存錯誤，提高系統(tǒng)可靠性。而且IMS對于內(nèi)存錯誤的定位和處理更為精細和及時，某些本應作RMA處理的內(nèi)存，可以在現(xiàn)場進行處理修復，大幅減少內(nèi)存空間浪費行為。
在使用IMS后，ECC log報錯日志內(nèi)容隨時間推移成收斂狀態(tài)，效果顯著，每小時ECC報錯數(shù)從400次逐步減少到不足10次。浪潮統(tǒng)計數(shù)據(jù)表明，IMS可以有效減少內(nèi)存錯誤的發(fā)生，提高內(nèi)存可用性。
從天梭K1到天梭M13，浪潮關鍵應用主機在系統(tǒng)性能、可用性等方面都有了顯著的提高。浪潮在RAS高可用等關鍵核心技術上的持續(xù)突破，有效提升了其關鍵應用主機系統(tǒng)的可靠性及產(chǎn)品品質(zhì)，為金融、電信等關鍵行業(yè)的核心信息化應用提供了強有力的基礎設施保障。
