浪潮天梭M13服务器是专为超大规模实时事务处理而设计的大型关键计算系统,面向总部级别的银行存储款、电信行业计费系统、跨国企业ERP等关键应用场景。M13支持处理器核心数量超过1000个,具有强大的在线事务处理能力,同时采用了复杂的高可用技术系统,满足业务7*24小时稳定运行需求。
天梭M13的内存高可用挑战
RAS特性(即服务器的可靠性Reliability、可用性Availability以及可服务性Serviceability)对于大型关键应用主机来说尤为关键,能够让主机容忍各类软硬件故障,可以显著延长系统平均无故障时间,保证客户业务持续稳定运行,是保障系统高可用性的技术基础。
M13的可用性设计覆盖了系统的每个部分,极为复杂,本文只介绍一项内存可用性技术--IMS内存检测隔离。
内存错误和故障是引发系统硬件故障的原因之一,一方面,从SDR到DDR,再到目前的DDR3,内存的容量和性能不断提升,内存颗粒容量的增大、单元密度增加、生产工艺的复杂,客观上增加了内存缺陷检查和测试的难度;另一方面,天梭M13最大支持1536个DIMM插槽,内存容量高达48TB,使得内存发生错误和故障的概率显著增加。
IMS-Intelligent Memory Surveillance
目前,内存错误的诊断和处理技术相对成熟,主要有ECC、chipkill、SDDC等,这些技术能够检验内存错误,进行相应处理,但是有一定局限性,例如ECC可以检验和纠正一个数据位错误,但无法纠正2个错误位同时发生,而且如果ECC错误频繁发生会导致Multi-bit被标识为不可用,甚至触发MRC内存管理机制,将整个Rank/DIMM做disable处理。频繁的内存错误并不表示内存物理失效,也有可能是外部环境温度过高、电压波动等因素导致,这样的处理会减少内存性能、浪费内存空间,从而降低系统性能。
IMS-Intelligent Memory Surveillance,是一套完整的内存错误和故障校验、诊断和处理方法,具备内存检测、失效隔离和预警等完整的内存管理功能,解决了内存故障无法修复导致停机、故障难于定位、个别错误导致大规模内存浪费等内存错误和故障处理难题。
IMS技术原理图
IMS系统概述
浪潮天梭M13高端服务器的IMS系统配置了高效的内存诊断工具,用户可以自行对内存问题进行检查。M13开机时,在BIOS启动阶段(进入操作系统前),用户可进入Diagnostic模块,在 3 种不同强度的测试模式--Quick、Standard和Extensive中进行选择,对内存进行测试和检验。检测完成后,对于关键区域或大块面积的不可修复错误,IMS会给出警示信息,提示用户需要更换内存,对于非关键区域、分散性的少量错误,IMS会将错误地址记录并对故障单元进行隔离,机器之后的运行时不会再对这些错误地址进行访问。
当系统启动成功,进入OS后,IMS会实时进行内存的监测、保护和处理。首先IMS系统会实时统计内存 ECC 错误信息,并对错误地址以IMS自带的多个测试算法进行强化测试,对错误进行有效性确认,同时预测相关可能出错的地址。最后,IMS系统对确认错误或预测产生的不可纠错的内存,应用 OS 的隔离技术,在此部分内存区域空闲时予以隔离,离开应用内存空间。
IMS--内存错误减少95%以上
IMS系统能够在天梭M13服务器运行过程中,有效减少失效内存进入系统的机会。开机前的可选Diagnostic功能类似工厂专用内存测试ATE,但又优于ATE,可以让用户方便的进行全面内存检查。随着服役时间的延长,内存的电气性能会不断衰减,从而产生内存失效隐患,Diagnostic功能让用户有效避免这一隐患。
在系统运行时,IMS可以将故障内存进行隔离,也很好的防止内存退化带来的内存错误,提高系统可靠性。而且IMS对于内存错误的定位和处理更为精细和及时,某些本应作RMA处理的内存,可以在现场进行处理修复,大幅减少内存空间浪费行为。
如下图所示,在使用IMS后,ECC log报错日志内容随时间推移成收敛状态,效果显著,每小时ECC报错数从400次逐步减少到不足10次。数据表明,IMS可以有效减少内存错误的发生,提高内存可用性。
从天梭K1到天梭M13,浪潮关键应用主机在系统性能、可用性等方面都有了显著的提高。浪潮在RAS高可用等关键核心技术上的持续突破,有效提升了其关键应用主机系统的可靠性及产品品质,为金融、电信等关键行业的核心信息化应用提供了强有力的基础设施保障。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。