如何減少數(shù)據(jù)中心中最嚴(yán)重硬件故障？

硬件故障在大型數(shù)據(jù)中心和云服務(wù)基礎(chǔ)設(shè)施中非常普遍，這些故障可能導(dǎo)致違反服務(wù)水平協(xié)議（SLA）并造成巨大經(jīng)濟(jì)損失。

內(nèi)存故障是當(dāng)今數(shù)據(jù)中心中最嚴(yán)重的硬件故障之一，眾所周知，它嚴(yán)重影響了系統(tǒng)的可靠性、可用性和可維護(hù)性（RAS）。這些故障可能是由超出正常使用范圍的多種因素引起的，包括制造缺陷以及極端的環(huán)境或操作條件。

雖然普遍接受的技術(shù)，例如，糾錯(cuò)碼（ECC）和可糾正錯(cuò)誤，基于閾值的預(yù)測(cè)性故障分析（PFA））可克服雙列直插式內(nèi)存模塊（DIMM）的一些可糾正錯(cuò)誤，但它們具有成本、可靠性、覆蓋范圍和性能方面的影響。

可糾正錯(cuò)誤數(shù)量的激增可能導(dǎo)致服務(wù)器性能下降，甚至導(dǎo)致拒絕服務(wù)。此外，ECC和基于閾值的可糾正錯(cuò)誤的PFA不能幫助克服無法糾正的錯(cuò)誤，如災(zāi)難性故障通常導(dǎo)致崩潰。

對(duì)于嚴(yán)重依賴服務(wù)器可靠性、可用性和可維護(hù)性的組織，英特爾內(nèi)存故障預(yù)測(cè)（Intel MFP）是理想的解決方案。對(duì)于當(dāng)今的數(shù)據(jù)中心而言，提前預(yù)測(cè)未來的內(nèi)存故障已變得至關(guān)重要。通過分析歷史數(shù)據(jù)以預(yù)測(cè)潛在的災(zāi)難性事件，英特爾?MFP可以在內(nèi)存故障事件發(fā)生之前對(duì)其進(jìn)行預(yù)測(cè)。

該解決方案具有多項(xiàng)創(chuàng)新和原始功能。它基于歷史數(shù)據(jù)來預(yù)測(cè)行、列和單元格中的微型故障，并使用低開銷的在線學(xué)習(xí)方法來提高其預(yù)測(cè)精度并避免干擾關(guān)鍵的計(jì)算任務(wù)。

這也使Intel MFP能夠?yàn)橹鲃?dòng)內(nèi)存故障管理生成估計(jì)的內(nèi)存運(yùn)行狀況評(píng)分，從而使用戶能夠采取相應(yīng)的措施。英特爾MFP與供應(yīng)商無關(guān)，并且可以與其他數(shù)據(jù)中心管理解決方案（包括英特爾數(shù)據(jù)中心管理器（Intel DCM））一起使用。

將與內(nèi)存故障相關(guān)的服務(wù)器崩潰減少40％

在騰訊的一個(gè)案例研究中，英特爾MFP算法的初步協(xié)作測(cè)試顯示出快速的結(jié)果，并將內(nèi)存故障和系統(tǒng)停機(jī)時(shí)間減少了五倍。合作伙伴還通過在操作系統(tǒng)級(jí)別明智地避免出現(xiàn)內(nèi)存故障，直到更換了該內(nèi)存模塊為止，從而擴(kuò)展了此支持。

在與美團(tuán)的類似案例研究中，該公司發(fā)現(xiàn)由于內(nèi)存錯(cuò)誤導(dǎo)致的服務(wù)器崩潰減少了40％。該公司通過將Intel MFP集成到其現(xiàn)有數(shù)據(jù)中心管理解決方案中，監(jiān)控了服務(wù)器內(nèi)存模塊的運(yùn)行狀況。通過分析以前由其數(shù)據(jù)中心管理軟件收集的數(shù)據(jù)，他們能夠?yàn)槊總€(gè)DRAM模塊生成預(yù)測(cè)分?jǐn)?shù)，然后采取適當(dāng)?shù)拇胧﹣砭S護(hù)其SLA并最大化服務(wù)正常運(yùn)行時(shí)間。

借助新功能，英特爾與全球領(lǐng)先的AMI合作，通過其BIOS、BMC和安全解決方案為全球互聯(lián)數(shù)字基礎(chǔ)架構(gòu)提供電源、管理和保護(hù)，并決心將這種支持?jǐn)U展到整個(gè)行業(yè)。

因?yàn)椴东@和分析內(nèi)存錯(cuò)誤需要UEFI和BMC固件之間緊密的聯(lián)系，所以AMI致力于使Intel MFP易于被現(xiàn)有和將來的服務(wù)器平臺(tái)采用。

捕獲錯(cuò)誤后，它們將由BIOS記錄，然后某些元數(shù)據(jù)信息將傳遞到BMC固件。然后，BMC固件將獲取此元數(shù)據(jù)，并通過Intel MFP引擎運(yùn)行，以計(jì)算內(nèi)存模塊的運(yùn)行狀況得分。當(dāng)檢測(cè)到新的錯(cuò)誤時(shí)，AMI解決方案將跟蹤每個(gè)內(nèi)存模塊的運(yùn)行狀況評(píng)分，并公開結(jié)果供系統(tǒng)管理員進(jìn)行分析。

AMI的默認(rèn)實(shí)現(xiàn)在BUI的Web UI中提供當(dāng)前的內(nèi)存模塊運(yùn)行狀況得分信息，并通過遵循DMTF Redfish標(biāo)準(zhǔn)的RESTful API公開相同的內(nèi)存運(yùn)行狀況得分信息。

RESTful API可輕松與現(xiàn)有數(shù)據(jù)中心管理軟件集成。但是，對(duì)于那些不太愿意與自己的軟件集成的數(shù)據(jù)中心，AMI提供了一個(gè)稱為AMI Composer的數(shù)據(jù)管理工具，該工具開發(fā)為完全符合Intel Rack Scale Design和DMTF Redfish標(biāo)準(zhǔn)，它將匯總所有信息并通過一個(gè)基于Web的儀表板。

為數(shù)據(jù)中心和云服務(wù)提供商帶來的直接好處

當(dāng)然，在創(chuàng)建機(jī)器學(xué)習(xí)算法時(shí)，它實(shí)際上永遠(yuǎn)不會(huì)完成。當(dāng)前的Intel MFP模型支持在具有Intel Xeon可擴(kuò)展處理器的平臺(tái)上運(yùn)行的DDR4內(nèi)存模塊，并且Intel繼續(xù)收集有關(guān)內(nèi)存錯(cuò)誤和內(nèi)存模塊故障的更多信息，以改進(jìn)模型。

此外，當(dāng)新的內(nèi)存模塊類型引入行業(yè)或?qū)ΜF(xiàn)有技術(shù)進(jìn)行改進(jìn)時(shí)，英特爾?MFP將為它們提供支持。

最重要的是，將對(duì)所有更新進(jìn)行適當(dāng)?shù)姆治鲆园贛FP模型中，以便在英特爾更新MFP模型時(shí)，AMI將為提供給行業(yè)合作伙伴的現(xiàn)有技術(shù)提供易于實(shí)現(xiàn)的更新。

對(duì)于數(shù)據(jù)中心和云服務(wù)提供商而言，在Aptio V UEFI固件和MegaRAC BMC固件中添加Intel MFP支持的好處顯而易見。改進(jìn)了數(shù)據(jù)中心SLA。通過主動(dòng)的內(nèi)存運(yùn)行狀況評(píng)估和增強(qiáng)的內(nèi)存頁面脫機(jī)策略，可以降低DIMM故障率。

而且，最重要的是，更高的DIMM性能和可靠性可優(yōu)化工作負(fù)載和虛擬機(jī)（VM）遷移決策，從而提高效率和靈活性，同時(shí)降低總擁有成本。

對(duì)于希望在配備AMI Aptio V UEFI BIOS和MegaRAC BMC固件的系統(tǒng)上利用英特爾MFP的公司，建議他們要求其系統(tǒng)制造商將AMI連同用于MegaRAC BMC固件的帶有Intel MFP選件包的AMI和具有英特爾內(nèi)存故障預(yù)測(cè)功能的AMI一起包括在內(nèi)。適用于Aptio UEFI固件的eModule。
責(zé)任編輯:pj