本文将mark下RAS Offload的相关notes。

What

RAS Offload 是一种将部分硬件错误处理任务从 CPU 的 SMM（System Management Mode）环境卸载到 BMC 的技术。

Intel Xeon 6 引入BMC RAS Offload：

将部分 RAS error handling 从 SMM 转移到 BMC 环境，从而减少 SMI（System Management Interrupt）的使用。

传统方式：

1
2
3
4
5
6
7
Hardware Error
      |
      v
 CPU / SMM
      |
      v
 RAS处理

RAS Offload：

1
2
3
4
5
6
7
Hardware Error
      |
      v
    BMC
      |
      v
 RAS处理

即让BMC承担部分RAS管理任务，而不是让CPU参与处理。

Why

减少 SMI 对业务性能的影响

传统RAS处理中：

1
2
3
4
5
6
7
硬件错误
   |
   v
触发SMI
   |
   v
CPU进入SMM处理

问题：

  • SMI会暂停正常CPU执行
  • OS和应用无法控制SMM
  • 可能造成 latency spike 和性能抖动

对于：

  • 云服务器
  • HPC
  • AI训练

这种长时间运行业务，SMI影响较大。

RAS Offload后：

1
2
3
4
硬件错误
   |
   v
BMC处理

减少CPU中断和业务扰动。

利用BMC独立管理能力

BMC本身就是服务器的管理控制器：

1
2
3
4
5
6
7
8
9
10
11
      Server

+-------------+
|    CPU      |
|  OS/APP     |
+-------------+

+-------------+
|    BMC      |
| Management  |
+-------------+

特点：

  • 独立运行
  • 独立供电
  • 即使OS异常，也可以工作

因此适合承担：

  • 错误收集
  • 故障处理
  • RAS管理

RAS Offload与BMC的关系

两者关系：

BMC 是 RAS Offload 的执行平台，但 RAS Offload 不是 BMC 本身。

BMC功能包括：

1
2
3
4
5
6
7
8
9
10
11
BMC
 |
 +-- 电源管理
 |
 +-- 风扇控制
 |
 +-- 远程管理
 |
 +-- Firmware管理
 |
 +-- RAS Offload

RAS Offload只是BMC新增的一类可靠性管理能力。

How

简化流程：

1
2
3
4
5
6
7
8
9
10
11
12
       Hardware Error
             |
             v
      Error information
             |
             v
            BMC
             |
     +-------+-------+
     |
     v
RAS decision/action

BMC负责：

  • 收集错误状态
  • 执行部分恢复动作
  • 记录错误信息

避免：

1
2
3
4
5
6
7
Error
 |
 v
CPU SMM
 |
 v
SMI interruption

Intel Xeon 6中支持的RAS Offload能力

Memory / PCIe / UPI Corrected Error (CE) handling

  • 收集和处理可纠正错误
  • 减少CPU参与

Runtime PPR

运行时触发：

  • DRAM坏Row修复
  • 将故障Row映射到备用Row

属于memory repair能力。

ADDDC

当DRAM device出现失效趋势：

  • 动态增强ECC保护
  • 避免device failure导致系统故障

ECS data collection

DDR5 Error Check Scrub相关：

  • 收集DRAM错误信息
  • 辅助RAS分析

SPD bus recovery

恢复DIMM SPD访问通道：

  • 解决SPD/SMBus异常
  • 保证DIMM管理信息可获取

RAS Offload vs 传统RAS

传统RAS RAS Offload
执行位置 CPU SMM BMC
错误处理触发 SMI BMC处理
是否影响CPU业务 可能影响 降低影响
管理独立性 依赖CPU 独立管理平面

总结

RAS Offload 是Intel Xeon 6提出的服务器可靠性增强机制，通过将部分RAS错误处理任务从CPU的SMM环境迁移到BMC，使BMC承担错误管理和恢复工作，从而减少SMI中断对业务性能的影响。

简单理解：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
过去：

Hardware Error
       |
       v
CPU/SMM处理
       |
       v
影响业务


现在：

Hardware Error
       |
       v
BMC RAS Offload
       |
       v
独立处理，减少CPU干扰

其中：

  • BMC = RAS Offload 的执行载体
  • PPR/ADDDC/ECS/SPD recovery = BMC可以辅助执行的具体RAS动作

它代表服务器RAS架构从CPU参与故障处理，向独立管理控制器负责可靠性管理的演进。

参考资料:

  1. Intel® Xeon® 6 Processors with Performance-cores (P-cores): Reliability, Availability, and Serviceability