[新聞] Google:晶片愈小,反讓CPU運算錯誤難預測

[ljsnonocat2 (凡所有相皆是虛妄)]

CPU 不可靠了？Google：晶片愈做愈小，反而讓 CPU 運算錯誤難以預測
https://buzzorange.com/techorange/2021/06/18/small-chip-cause-cpu-error/
作者：新智元

Google 正在警惕一件事情，那就是：電腦晶片已經發展到不再可靠的地步，並且可能無
法以可預測的方式執行運算。

但並不是說它們曾經完全可靠。

實際上，CPU 錯誤的存在時間與 CPU 本身一樣長。錯誤不僅產生於設計上的疏忽，也產
生於環境條件和產生故障的物理系統故障。

但是這些錯誤已經趨於罕見，只有最敏感的運算才會受到廣泛的核查。如果系統看起來像
預期的那樣運行。大多數情況下，電腦晶片被視為值得信賴的。

Google：晶片縮小可能是 CPU 錯誤無法預測的根本原因

Google 工程師 Peter Hochschild 在本週作為操作系統熱點話題（HotOS）2021 會議的
一部分發佈的影片中說：「我們的冒險，開始於生產團隊越來越多地抱怨慣犯機器破壞數
據。」

「這些機器被可靠地指控破壞了多個不同的、穩定的、經過調試的大規模應用程式。每台
機器都被獨立的團隊反覆指控，但傳統的診斷方法沒有發現它們有任何問題。」


在更深入地研究相關程式碼和來自他們機器的操作遙測數據後，Google 工程師開始懷疑
他們的硬體有問題。他們的調查發現，硬體錯誤的發生率比預期的要高，而且這些問題在
安裝後很久才零星出現，而且是在特定的、單獨的 CPU 核心上，而不是在整個晶片或部
件家族上。

Google 的研究人員在研究這些無聲的破壞性執行錯誤（CEEs）後得出結論：「易變的內
核（mercurial core）」是罪魁禍首——CPU 在不同情況下偶爾會計算錯誤，其方式無法
預測。

這些錯誤不是晶片架構設計失誤的結果，也不是在製造測試中檢測出來的。相反，
Google 工程師推斷，這些錯誤的出現是因為我們已經將半導體製造推到了一個故障越來
越頻繁的地步，而我們缺乏提前識別它們的工具。

在一篇題為「不算數的內核」（Cores that don’t count）的論文中，Hochschild 及其
同事列舉了電腦內核不可靠的幾個看似合理的原因，包括使罕見問題更加明顯的大型伺服
器群、對整體可靠性的關注增加，以及減少軟體錯誤率的軟體開發改進。

「但我們認為有一個更根本的原因：越來越小的特徵尺寸使其更接近 CMOS 的擴展極限，
再加上架構設計的複雜性不斷增加。」研究人員指出，現有的驗證方法不適合發現零星出
現的缺陷或部署後物理惡化的結果。

Facebook 也發現 CPU 的運算錯誤

今年 2 月，Facebook 發表了一篇相關的論文「規模化的無聲數據破壞」（Silent Data
Corruption at Scale），其中指出：『無聲數據破壞正在成為數據中心中比以前觀察到
的更常見的現象。」

該論文提出了緩解策略，但沒有解決根本原因。

在 Google 的研究人員看來，Facebook 發現了一個不可靠核心的症狀——無聲的數據損
壞。但確定問題的原因，並提出修復方法，將需要進一步的工作。

行為不端的內核所帶來的風險不僅包括崩潰（現有的錯誤處理的故障停止模型可以適應）
，還包括不正確的運算和數據丟失，這可能會被忽視，並在規模上構成特殊的風險。

「我們的一個易變的內核破壞了加密，」他解釋說，「它是以這樣一種方式做到的，即只
有它能解密它錯誤加密的內容。」

Google 的研究人員以「商業原因」為由拒絶透露其數據中心檢測到的 CEE 率，儘管他們
提供了一個大致的數字，「每幾千台機器有幾個易變的內核– 與 Facebook 報告的比率
相似。」

理想情況下，Google 希望看到自動化的方法來識別易變的內核，並建議在整個晶片的生
命週期內進行 CPU 測試，而不是只在部署前依賴燒機測試。

這家公司目前依靠的是人類驅動的內核完整性審訊，這不是特別準確，因為識別可疑內核
的工具和技術仍在進行中。

 ----

  微縮到一定程度, 會不會終究是有物理極限?

  發生錯誤的機會就高了起來

  對於消費性電子可能還好, 不過某些工商業應用可能就會出大事了


--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 58.114.83.137 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1624079405.A.4D8.html
噓 SkyShih: 做不贏就放消息，學綠營？
推 wcre: 覺得硬體不可靠就自己做啊，GoogleFB領多少，相信強者自己
→ wcre: 拿紙筆算一樣很強
→ abyssa1: 那就裝三組來投票吧
→ abyssa1: 容錯運算老題目了 很多解法啦
推 blackonefour: 量子
→ k258610: 林納斯好像也講過類似的話
推 iFann: 量子力學了
→ ssccg: 硬體本來就一直都會錯，就是錯誤修正要再加強啦
推 dave123: 要越做越大了?
→ dragonrose: HW bug?
噓 b777787: 你乾脆說 邏輯閘越多越難預測好了
推 klo578: stadia：
推 labbat: 趕快跑個prime95 v298b6壓壓驚
推 aowen: 硬體當然會錯 不過google自己軟體bug一大堆…
噓 jim543000: 這裡怎麼好像沒人知道銅原子擴散早就是大問題了？
→ seal46825: 這是不是google翻譯的文章啊
推 weinine32: 你們的手機也不能維修只能換新阿。未來硬體就是這樣了
推 chiataan: 這家公司出嘴的比做事的多，做出來再說吧
推 Neistpoint: 它在說 silicon 不可靠，其實CPU 也有可能有很多 b
→ Neistpoint: ug, 軟體不容易發現，你看CPU 廠商發一堆 errata 就
→ Neistpoint: 只到有人踩到有感覺，有人沒踩到或沒感覺。複雜的電
→ Neistpoint: 路本來就無法保證沒問題。
推 twicm: Error, fault, failure, 自行google 一下
推 Chilloutt: 快來個量子容錯算法
推 JustinCy: 垃圾google. 幹 做不贏開始放消息帶風向
推 JustinCy: 尤其google是一家以軟體為主的公司。硬體不是本行也可以
→ JustinCy: 講得煞有其事
→ eric210: chipping
推 psychicaler: 整篇都沒提到跟晶片縮小關聯性...
推 Homedoni: 有論文嗎 沒有就先觀望
推 bmpss95156: 三小翻譯文章
推 NSYSUEE: 要嘛是IC設計的時候出問題，要嘛是你軟體寫的有問題，去
→ NSYSUEE: 怪晶片太小而出錯..是不是搞錯什麼
推 hsujerry: https://en.wikipedia.org/wiki/Soft_error
推 kkking: 所以跟縮小有甚麼關係~
噓 jupei: 做不贏
推 hsujerry: 做越小 device的charge越少 約容易被外部干擾flip
推 hsujerry: http://i.imgur.com/APJiNqw.jpg
→ GGing: 英國研究指出：電晶體越多越複雜
推 darky897: reliability跟radiation的問題比較難分析 而且目前還沒
→ darky897: 有一個評量的標準
推 Shepherd1987: 一顆有疑慮可以買兩顆, 選我正解
→ will12345610: 東西壞了就要換,搞不好歲修的時間來個 ATPG 檢測
→ guanole: Emc
噓 InvincibleK: 英特爾表示:
推 moboo: 做贏的cpu就沒bug嗎？人家的網站呑吐是全世界前三的當然
→ moboo: 可以出來說
推 ian41360: tunneling effect？
→ yudofu: IC裡面的資料一直都有極小的機率性的讀寫錯誤問題，但是在
→ yudofu: 極大量的吞吐量級下，變成不能忽視的存在
→ nbook: 跟越來越小有關係的就量子穿隧效應阿?
→ jasonkey123: 這篇文章能看出google翻譯還有很大的改善空間
推 evdict: 幹，一樓吃大便是不是。
→ dslite: lockstep不會?
→ canallchen: 量子糾結，老高有講過。
推 Jiraya: 他這個意思是要說  牙膏或其他廠的CPU有問題  然後又沒辦
→ Jiraya: 法找出證據？ 用大數據debug感覺很猛
推 skevin: raid cpu ,選我正解
推 linecross: 智子開始科技鎖定了啦
推 jamesho8743 : cpu一堆很隱晦的bug沒人知道 gpu運算也可能出錯 誤
→ jamesho8743 : 差值過大 dram的值更不可靠 code出錯會當機 data出
→ jamesho8743 : 錯根本就運算錯誤的資料
噓 jamesho8743 : Linus很早就抱怨intel當初消費性dram不做ecc