?如何提高HPC SoC的可靠性、可用性和可維護(hù)性級別

通過芯片生命周期管理可以確保數(shù)據(jù)中心系統(tǒng)正常運(yùn)行時間。

在大型數(shù)據(jù)中心和超級計(jì)算機(jī)的領(lǐng)域，高性能計(jì)算 (HPC) 已經(jīng)變得相當(dāng)普遍，并且在某些情況下，在我們的日常生活中必不可少。正因?yàn)槿绱?，可靠性、可用性和可維護(hù)性（reliability, availability, and serviceability，或稱RAS），是更多 HPC SoC 設(shè)計(jì)人員應(yīng)該熟悉的概念。

RAS 聽起來像是一個不言自明的術(shù)語，但在涉及 HPC SoC 時它真正涉及什么？數(shù)據(jù)中心運(yùn)營商長期與客戶保持服務(wù)水平協(xié)議，以保證系統(tǒng)正常運(yùn)行時間。RAS 補(bǔ)充了這些協(xié)議，現(xiàn)在可以得到新技術(shù)的支持，最終產(chǎn)生可操作的見解。在這篇最初發(fā)表于“從芯片到軟件”博客上的文章中，您將了解為什么芯片生命周期管理 (SLM)、嵌入式監(jiān)控 IP 以及正確的設(shè)計(jì)和驗(yàn)證工具可以在您的HPC 設(shè)計(jì)中實(shí)現(xiàn)高水平 RAS。

3個關(guān)鍵的高性能計(jì)算組件

家庭安全門鈴或建筑物監(jiān)控系統(tǒng)捕獲的視頻片段、財(cái)務(wù)和業(yè)務(wù)運(yùn)營建模、科學(xué)和醫(yī)學(xué)研究、增強(qiáng)現(xiàn)實(shí)和虛擬現(xiàn)實(shí)等應(yīng)用都需要依賴 HPC。隨著我們的設(shè)備和系統(tǒng)收集的數(shù)據(jù)激增、AI 驅(qū)動的分析、大量計(jì)算資源的可用性以及云的融合，使快速獲得有用、可操作的見解成為可能，使 HPC 成為許多領(lǐng)域不可或缺的一部分。它與 1940 年代第一臺超級計(jì)算機(jī)出現(xiàn)時相比，應(yīng)用范圍更廣。

當(dāng)今典型的 HPC 基礎(chǔ)設(shè)施由三個關(guān)鍵要素組成：計(jì)算、網(wǎng)絡(luò)和存儲。每個都需要一定水平的性能、延遲、電源效率、可擴(kuò)展性、生產(chǎn)力和安全性。讓我們仔細(xì)看看每個元素：

計(jì)算由 CPU 和 GPU、加速器、片上網(wǎng)絡(luò) (NoC) 和計(jì)算服務(wù)器組成。這是進(jìn)行高性能數(shù)據(jù)處理的地方。復(fù)雜的多核甚至多芯片系統(tǒng)架構(gòu)、具有快速訪問的大內(nèi)存、高帶寬 I/O 接口、電源/冷卻管理和安全性是其關(guān)鍵特性。片內(nèi)監(jiān)控和分析還可以支持 RAS 目標(biāo)。

網(wǎng)絡(luò)由交換機(jī)和路由器、適配器、網(wǎng)橋、中繼器、網(wǎng)絡(luò)接口卡（如 SmartNIC）以及光學(xué)和電氣互連組成。該元素提供高性能連接，理想情況下具有高吞吐量、低延遲、能源效率、可配置性和可擴(kuò)展性、實(shí)時監(jiān)控和報告以及安全性。調(diào)試功能、前向糾錯 (FEC) 和 IP 可以支持 RAS 要求。

存儲包括固態(tài)驅(qū)動器 (SSD) 或硬盤驅(qū)動器 (HDD)、存儲區(qū)域網(wǎng)絡(luò) (SAN) 和網(wǎng)絡(luò)附加存儲 (NAS)。理想情況下，存儲元件應(yīng)提供高帶寬存儲、減少數(shù)據(jù)傳輸能量和延遲、靈活性、可擴(kuò)展性、可靠性和安全性。內(nèi)置自測試 (BIST)、糾錯碼 (ECC) 和冗余等功能可以促進(jìn)高水平的 RAS。

有兩種主要類型的 HPC 系統(tǒng)：同類機(jī)器和混合機(jī)器。同類機(jī)器只有 CPU。相比之下，混合動力車同時擁有 GPU 和 CPU，其中 GPU 運(yùn)行任務(wù)而 CPU 監(jiān)督計(jì)算。

HPC 集群可以由大量服務(wù)器組成，其中計(jì)算集群的總物理尺寸、能源使用或熱輸出可能成為一個嚴(yán)重的問題。此外，還需要在服務(wù)器之間進(jìn)行專用通信，這對于集群來說有些獨(dú)特。

由于微小的設(shè)計(jì)差異乘以集群中的服務(wù)器數(shù)量會帶來巨大的收益，因此我們看到了針對 HPC 優(yōu)化的服務(wù)器設(shè)計(jì)的出現(xiàn)。有時，這些是針對大型公共 Web 運(yùn)營商（例如搜索引擎公司）的設(shè)計(jì)，它們在 HPC 集群中提供類似的優(yōu)勢。但是，它們也可以提供僅適合 HPC 用戶的功能。例如，如果系統(tǒng)設(shè)計(jì)為以不同方式提供集群互連，則可能會顯著減少布線。

通過片內(nèi)監(jiān)控和分析獲得可操作的見解

HPC 的實(shí)用性在于它能夠處理海量數(shù)據(jù)（PB 甚至 zettabytes）并實(shí)時（或接近實(shí)時）運(yùn)行復(fù)雜模型。不用說，只要 HPC 系統(tǒng)出現(xiàn)故障，就會導(dǎo)致資金損失和業(yè)務(wù)中斷。任務(wù)關(guān)鍵型應(yīng)用程序的影響變得更加陡峭。在高級節(jié)點(diǎn)，使用大型單片芯片或復(fù)雜架構(gòu)（如多芯片），可以滿足 RAS 要求并變得更具挑戰(zhàn)性。

根據(jù)手頭應(yīng)用程序的重要性，系統(tǒng)可以構(gòu)建備份，以在發(fā)生故障時提供冗余。除了冗余之外，您還可以在系統(tǒng)和芯片級別做更多的事情來滿足 RAS 目標(biāo)。這就是 SLM 發(fā)揮重要作用的地方，它提供智能、自動化的片內(nèi)監(jiān)控 IP 和方法，以在系統(tǒng)生命周期的每個階段生成可操作的見解。

幾十年來，設(shè)計(jì)人員一直在將監(jiān)視器和傳感器嵌入到他們的芯片中。但是，該技術(shù)已經(jīng)發(fā)展到現(xiàn)在可以提供更準(zhǔn)確的數(shù)據(jù)。這樣可以更好地了解設(shè)備的實(shí)時環(huán)境、結(jié)構(gòu)和功能狀況。示例包括工藝變化和電壓供應(yīng)的監(jiān)控，以及時序裕度的準(zhǔn)確測量等。

由于嵌入式和基于云的分析，以及統(tǒng)一 SLM 解決方案的可用性，設(shè)計(jì)團(tuán)隊(duì)將能夠建立一個連續(xù)的、實(shí)時的設(shè)備硅健康狀況圖，而不僅僅是在設(shè)計(jì)期間，在生產(chǎn)階段以及現(xiàn)場操作期間。他們可以更好地了解根本原因并立即進(jìn)行調(diào)試和修復(fù)，從而降低成本和潛在危害。SLM 可以解決的問題包括晶體管老化和延遲故障。要了解這帶來的好處，請考慮一顆有缺陷的衛(wèi)星。通常情況下，從實(shí)驗(yàn)室取回修復(fù)后的電路板安裝到衛(wèi)星上可能需要數(shù)周的時間，將其長時間停用以進(jìn)行故障排除和維修。通過SLM技術(shù)在現(xiàn)場進(jìn)行故障檢測和故障修復(fù)。

看看數(shù)據(jù)中心，我們可以看到另一個突出 SLM 如何促進(jìn)滿足 RAS 要求的示例。

在芯片層面，現(xiàn)場遠(yuǎn)程調(diào)試的能力對于超大規(guī)模數(shù)據(jù)中心的團(tuán)隊(duì)來說至關(guān)重要。SLM 提供遠(yuǎn)程遙測和監(jiān)控使這成為可能。

在系統(tǒng)級別，精確的時鐘節(jié)流（SLM 的另一項(xiàng)功能）對于最大化數(shù)據(jù)吞吐量和 CPU、GPU 和 AI 引擎利用率至關(guān)重要。

在數(shù)據(jù)中心級別，使用 SLM 工具監(jiān)控服務(wù)器性能、網(wǎng)絡(luò)擁塞和磁盤利用率是檢測和預(yù)測數(shù)據(jù)中斷的關(guān)鍵，這可以增加正常運(yùn)行時間。

在超大規(guī)模級別，團(tuán)隊(duì)可以利用 SLM 來最大限度地減少片上熱和電源壓力，從而提高可靠性。

對于 die-to-die 高速接口，SLM 提供信號完整性監(jiān)控，連同接口完整性冗余，有助于確保小芯片設(shè)計(jì)的穩(wěn)健性。

概括

一個端到端的解決方案將設(shè)計(jì)校準(zhǔn)分析、片內(nèi)監(jiān)控和系統(tǒng)性能優(yōu)化等一切結(jié)合在一起，而不是一組互不關(guān)聯(lián)的單點(diǎn)工具，可以使解決 RAS 目標(biāo)的過程更加無縫。

鑒于現(xiàn)在依賴 HPC 的應(yīng)用程序范圍越來越廣，保持這些系統(tǒng)的高水平可靠性、可用性和可服務(wù)性是一個全面的關(guān)鍵考慮因素。實(shí)現(xiàn)最佳 RAS 水平以支持從流媒體視頻到氣候變化建模的一切是保持?jǐn)?shù)字化、智能化萬物世界高速運(yùn)行的另一個重要因素。