Understanding Silent Data Corruptions in a Large Production CPU Population
SOSP 2023 | DOI 10.1145/3600006.3613149
Wang, Zhang, Wei（清华）；Wu, Luo（阿里云 Cloud）
首个超大规模生产 CPU 静默数据损坏 (SDC) 定量研究：>100 万处理器、32 个月测试，分析脆弱微架构特征、可复现性与缓解策略。
核心贡献
- Fleet 级 SDC 统计：整体 3.61‱ 故障率；产前测试捕获 90%+ 故障 CPU
- 脆弱点：cache coherence、浮点、向量；FP 错误常限于尾数位 → 现有精度检测失效
- Farron：优先测试高可复现 SDC + 温控抑制偶发 SDC；覆盖率和开销优于基线
关键数字
| 指标 | 值 |
|---|---|
| 测试规模 | >1M CPU，32 个月 |
| 总体 SDC 率 | 3.61‱ |
| 产前 / 定期测试 | 3.262‱ / 0.348‱ |
| Testcases | 633 |
与 wiki 交叉
- End-to-End Memory Data Path — CPU 计算路径可靠性
- DRAM Memory System — 与存储/内存 corruption 对比
Citations
[1] Silent_Data_Corruptions_Production_CPU_2023.pdf [2] silent-data-corruptions-production-cpu.md — 结构化摘录