Dotaz: Jak řeší linux kontrolu konzistence RAM

[ramcheck]

Řeší nějakým způsobem linux kernel konzistenci dat uložených v ram? Mám namysli jestli je tam nějaký kontrolní mechanismus pro zjišťování špatných bitů v paměti, něco jako softwarové řešení ECC.

Odpovědi

[Luboš Doležel (Doli)]

Něco takového by žralo výkon a paměť a k čemu by to bylo, když je tu hardwarové ECC...

[ramcheck]

ECC paměti mám snad jen na 2 nejdůležitějších serverech, jinde ne, tak by se to hodit mohlo.

[Luboš Doležel (Doli)]

Dovedete si představit náročnost softwarově vykonávaného ECC? Přijde mi to asi tak efektivní jako obraceč směru vodního víru ze Simpsonů.

Navíc si ani nedovedu představit, jak by taková implementace fungovala. Načtení hodnoty z paměti by vyvolalo spuštění kódu pro ECC, který by se sám musel číst z paměti...

[ramcheck]

Ona by stačila nějaká implementace CRC, které by se čas od času kontrolovalo.

[Decimus Junius Brutus Callaicus]

Mozna byste se nad tim, co rikate, mohl zamyslet.

[Heron]

To je trochu problém. Programy přistupují k přidělené paměti přímo. Softwarové ECC by znamenalo pro každý zápis do paměti vypočítat kontrolní součet (tedy pro programy to znamená volat nějakou funkci jádra) a pro každé čtení jej přečíst a porovnat s obsahem paměti (další volání). Tzn pro každou stránku paměti ještě alokovat paměť CRC. Zpomalení by znamenalo mnohem větší náklady na ekvivalentní HW, než stojí paměťový modul s ECC.

[ramcheck]

Jak často vlastně v paměti dochází k chybám a jak jsou vážné? Přemýšlím jestli se vyplatí ta ECC paměť(tam kde to deska podporuje).

[JF]

Pokud by jste chtěl letět do vesmíru, tak tam jsou chyby paměti velice časté. Na to jsou také vyráběny o mnoho dražší paměti, které vydrží průlet nabitou vysokoenergetickou částicí a ta pozmění jen pár bitů.

Ale teď vážně, paměť je třeba před nasazením řádně otestovat. Projde-li memcheck po dobu 24hodin bez odhalení chyby, tam máte 99,9999 procentní jistotu, že paměť poběží správně i nadále. Všechny chyby paměti, se kterými jsem se dosud setkal se daly odhalit tímto způsobem. Většinou pocházely z toho, že se řadič s pamětí občas nedohodl. Jako jeden z ukazatelů na chyby v paměti je možné cvičně zkompilovat kernel Linuxu.

[Michal2]

To jsi mel spis stesti. Realisticky jde myslim uvazovat o 1 % sanci na opravitelnou ECC chybu na modul a rok nonstop behu.

Paper: http://www.cs.toronto.edu/~bianca/papers/sigmetrics09.pdf

Osobni zkusenosti mam jen z 28 serveru, cast se 4 cas s 8 moduly, vsechny prosly tydenni mucirnou pred nasazenim bez uhony a behem necelych dvou let jsme meli dva pripady recoverable ECC.

[VSi]

Jaké nástroje používáte na to úvodní testování serverů? Ta recoverable ECC se objeví v management rozhraní serveru nebo v syslogu operačního systému? Díky.

[Michal2]

Linux sam o sobe pri vzniku recoverable ECC chyby (AFAIK) mlci jako hrob. Proto pouzivame EDAC http://buttersideup.com/edacwiki/Main_Page

Pro testovani nejdrive poustime nekonecnou smycku memtest86 na den - tohle proveri zejmena pamet, dale nasleduje prime namnozeny podle poctu jader dalsi den - tohle proveri pamet, radic a procesor. A nakonec tam pustime zatez, ktera emuluje bezny provoz ale s mnohem vetsi intenzitou nez mame ve spicce - tohle 5 dnu.

[JF]

Dekuji za poučení. Protože nepoužívám ECC tak poznám chybu paměti jen ze zatuhnutí systému. A to se některé chyby mohou ztratit a zahladit, třeba při routování paketů se prostě jeden paket ztratí.

[JF]

Ale ne, ECC je někdy víceúrovňové. To umí opravit jeden poškozený bit automaticky. Na více chybných bitů řadič ECC - EDAC vyvolá vyjimku a CPU zkusí z Hardwarově aktualizovaného dodatku ke stránce zkorigovat další bity. Při této SW korekci už pomalost CPU nevadí.

[faha]

sice trochu neco krapet jineho, ale zkuste mrknout

http://rick.vanrein.org/linux/badram/index.html