伺服器當機可能是很多運維工程師最可怕的噩夢。谷歌的一項研究表明：大多數當機故障是由記憶體問題而引起的，而且每年有1/3的谷歌伺服器都會出現可糾正的記憶體故障，而有1/100的谷歌伺服器會出現不可糾正的記憶體故障，後者是造成系統當機的典型情況之一。
如果有人說，用軟體的方式，可以解決硬體的記憶體問題，還能減少30%的伺服器當機故障，你覺得可靠嗎？
目前的資料中心已經走向軟體定義的時代，從最初的軟體定義網絡SDN到軟體定義資料中心SDDC。為了防止伺服器當機的意外發生，越來越多的企業開始考慮軟體定義的解決方案，并通過軟體定義的可靠性屏蔽伺服器、記憶體等硬體故障帶來的影響。
那麼軟體是如何實作對記憶體以及伺服器可用性的提升呢？
基于MCA的記憶體ECC技術
記憶體故障非常多，就看系統能不能識别出來，有些故障是記憶體單個或多個bit位元組故障，有些是記憶體顆粒故障，有些是記憶體顆粒上的單行或單列的存儲單元出現故障，還有firmware故障、記憶體控制器故障，還有一些是記憶體金手指焊接點老化、主機闆上的記憶體插槽松動或有灰塵等等。
器件品質類的故障隻能通過工藝的改進來解決，而信服雲要解決的是軟體層面可以控制的bit級故障。往往大故障來自于所謂bit級小故障的持續積累，這時要做的就是“防微杜漸”，在小故障發生的時候就抓住它、，隔離它，避免影響擴大。
Intel有一種機制叫做MCA（Machine Check Architecture），可以監測這種類型錯誤。這個機制的運作方式是：首先需定義出這些錯誤模型，把可以自動糾正的錯誤叫做CE（Correctable Error），這些往往是任意單比特錯誤、部分單顆粒多比特的錯誤。但是一些錯誤無法自動糾正恢複，會導緻系統當機，這些錯誤被定義為UCE（Uncorrectable Error）。根據統計，CE/UCE類的問題類型占記憶體所有類型問題的59%。是以，如果能夠設計一種故障檢查和糾正的機制，其價值會非常大！
這個全套的錯誤檢查和糾正的機制就是ECC（Error Checking and Correcting）。ECC在遇到故障時首先會進行問題識别，通過設計記憶體主動掃描機制，可以設定一天24小時不休（也可以調整）掃描和發現故障；識别後判斷故障位置（這裡其實用到了一些特殊的bit計算和校驗算法），認定故障位置後，就嘗試隔離該有問題的記憶體空間，避免後續業務再次使用該記憶體空間。
信服雲的記憶體ECC增強技術
業界主流的IT服務商都會利用Intel的MCA機制進行記憶體錯誤處理，但是其軟體實作的精細化程度不一，比如有些服務商隻是把CE錯誤屏蔽掉，或者隻是簡單的告警，沒有做進一步處理；還有一些服務商即使有告警但是無法準确定位到發生問題的插槽。而信服雲則提出了一個風險區機制，一旦發生記憶體錯誤，就将問題單元置于一個“緩沖區”進行觀察，當CE錯誤達到一定門檻值則立刻自動隔離有風險的記憶體區域，避免錯誤繼續擴大引起嚴重的當機。
近年來，信服雲在記憶體隔離恢複機制上不斷優化，在2022年1月推出的超融合HCI6.7.0中還對ECC機制進行了增強。
該增強機制的運作方式是：首先通過CPU的BIOS設定CE Record選項，使得硬體識别出記憶體錯誤，一旦發現CE/UCE錯誤，硬體就會把這個錯誤上報給信服雲的軟體。然後輪到軟體機制上場，OS系統先是判斷這個記憶體是否被軟體（包括應用軟體和作業系統）使用，如果沒有使用就直接隔離，不允許再配置設定給軟體使用。
如果被軟體使用了，就擷取軟體的上下文，判斷區分其是被作業系統核心(in_kernel)或者被使用者應用軟體(in_user)使用。
■ 如果是被應用軟體(in_user)使用，對于CE可糾正錯誤，信服雲的記憶體ECC增強機制就用一塊好的記憶體區域替換掉有錯誤的記憶體區域，這個過程中業務完全不受影響。如果是UCE不可糾正的錯誤，該機制就重新啟動該程序，把錯誤的記憶體區域釋放出來并隔離出去不再使用。程序重新開機後就可以使用完全正常的記憶體了。
■ 如果是被作業系統核心(in_kernel)使用，信服雲的記憶體ECC增強機制就把有錯誤的記憶體區域的資訊記錄下來，在系統再次啟動的時候，該機制會隔離這些有錯誤的記憶體，以保證其不會被再次使用。
（信服雲ECC自動糾錯機制原理）
推出上述機制後，信服雲在1000台主機環境中進行了驗證。結果證明，通過軟體控制的ECC機制，信服雲能夠提前發現記憶體異常，并且100%自動隔離成功，可以提前處置以規避更大的故障影響，總體上相對原有方式能夠減少30%的伺服器當機故障。
回到開頭的問題，用軟體可以解決硬體層面帶來的問題嗎？毫無疑問，當然可以！信服雲的ECC機制就通過創新性的軟體技術更加準确、智能地控制了伺服器的記憶體故障問題，有效地提高了IT系統的可靠性。
以上就是本期《信服雲黑闆報》關于軟體定義可靠性和ECC機制的分享。關注“深信服科技”微信公衆号，可以持續擷取更多技術幹貨内容！
雷峰網