Notes about Error Check Scrub (ECS)

本文将mark下Error Check Scrub (ECS)的相关notes。

Prerequisite

Overview

ECS 会在 DRAM 内部依次检查存储阵列中的数据：

从 DRAM 阵列读出一个内部数据块
             ↓
       On-Die ECC 检查
             ↓
      是否有单比特错误？
        /             \
      没有             有
       |               |
   继续检查       纠正错误数据
                       ↓
              把正确数据写回阵列
                       ↓
                 更新错误计数

ECS 读取内部数据；若发现可纠正错误，就把纠正后的数据重新写回。它可以由命令手动启动，也可以由 DRAM 自动调度执行。

What

可以把ECS理解成：

DDR5 DRAM 芯片内部自带的一套“巡检 + 纠错 + 回写 + 记账”机制。

ECS有点像内存控制器的Patrol Scrub，但 ECS 运行在 DRAM 芯片内部，使用的是 DDR5 的 On-Die ECC。

Why

假设 DRAM 中保存的是：

原始正确数据：10110010
实际阵列数据：10100010
                    ↑
                  一位翻转

普通读取时，On-Die ECC 可以临时纠正：

阵列中的错误数据
       ↓
On-Die ECC 纠正
       ↓
向 CPU 输出正确数据

但这里有一个问题：

向 CPU 输出正确数据，不一定意味着阵列中原来的错误已经被清掉。

如果错误数据长期留在阵列里，之后同一内部 ECC 保护块中又出现第二个错误，单比特纠错能力就可能不够。

ECS 因此会进一步执行：

读出错误数据
      ↓
纠正
      ↓
把正确数据重新写回 DRAM

这叫 scrub。它的主要作用是防止多个潜伏错误逐渐累积。

How

Allows the DRAM to:

internally read
correct single-bit errors
write back corrected data bits to the DRAM array

error counts

虽然错误在 DRAM 内部被纠正了，但 DRAM仍可以把错误统计信息暴露出来。

如果没有 ECS 统计，系统可能看到：

1
2
3

CPU 每次读取的数据都是正确的
              ↓
误以为 DRAM 完全健康

实际上可能是：

1	DRAM 内部已经纠正了大量单比特错误

ECS 让管理软件能够知道：

扫描期间纠正了多少错误
有多少行或内部数据块出现过错误
哪一行的错误最多
是否已经超过设定阈值

因此，ECS 在一定程度上弥补了 On-Die ECC 带来的“错误不可见”问题。在完整扫描后，DDR5 可以报告已纠正错误数量，并报告错误数量最多的行。

ECS threshold count

它是一个报告门槛。

例如，假设阈值设置为 256：

错误计数 < 256
    ↓
继续计数，通常不触发阈值告警

错误计数 ≥ 256
    ↓
标记超过阈值
    ↓
允许固件或管理软件获取告警/日志

设置阈值是为了避免一个偶发单比特错误就不断产生告警。

它通常用于回答：

这颗 DRAM 中被纠正的小错误是否已经多到值得关注？

控制接口还可以配置是统计“出现错误的行”，还是统计“出现错误的内部 ECC 数据块”。

需要注意：

阈值主要控制统计和报告策略，不是说超过阈值之后 ECS 才开始纠错。

ECS 扫描时发现可纠正错误，就会进行纠正；阈值更多决定何时将其视作值得报告的可靠性事件。

When

主要有两种方式。

自动模式

DRAM 自己安排 ECS 操作：

正常运行
   ↓
DRAM 利用合适时机逐步扫描阵列
   ↓
最终完成一次全阵列 ECS

自动模式由 DRAM 调度 ECS，以在建议的 24 小时周期内完成一次数据阵列扫描。

手动模式

内存控制器或固件向 DRAM 发出命令，要求执行 ECS：

内存控制器
     ↓ 特定命令
DDR5 DRAM
     ↓
执行一次或一系列 ECS 操作

手动模式适合：

启动时检测
维护窗口
管理员主动诊断
发现异常后提高扫描力度

所以 mode of operation 本质上是在选择：

1
2
3

由 DRAM 自动安排
        或
由系统显式触发

Reset the ECS counter

就是清空本轮 ECS 统计信息，例如：

错误总数
超过阈值的状态
错误最多的行
该行的错误数量
相关地址信息

例如：

过去一周：
ECS count = 300
        ↓
管理员读取日志并完成维护
        ↓
Reset ECS counter
        ↓
ECS count = 0
        ↓
开始观察下一周期

它不是关闭 ECS，也不是关闭 On-Die ECC。

清零之后，系统可以判断：

错误是否继续增长
某次维修是否有效
错误是一次性事件还是持续性缺陷

总结

ECS 是 DDR5 DRAM 内部的主动巡检机制：它周期性读取内部数据，用 On-Die ECC 纠正单比特错误，把正确数据写回，并记录错误数量及高风险行。

最关键的价值有两个：

清除潜伏错误，防止错误累积成不可纠正错误
把原本被 On-Die ECC 隐藏的错误，以计数或日志形式暴露给系统

参考资料:

文章目录