Chipkill的ECC能力是强于Bounded Fault ECC的。那么既然已经有了Chipkill，为什么还要有Bounded Fault ECC呢？

Prerequisite

Overview

Bounded Fault ECC（有界故障ECC）的提出，很大程度上就是为了弥补传统 Chipkill 在 x8 DRAM 组织下无法覆盖某些 device fault 的问题。

核心关系：

Chipkill 本身不是万能的，它依赖 DRAM device 的粒度（x4/x8）。Bounded Fault ECC 的目标就是把”不可控的大故障”限制成 ECC 可以处理的有界故障，从而让 Chipkill 能覆盖更多场景。

下面结合 x4 / x8 解释。

回顾 Chipkill 的基本思想

Chipkill：

将一个 DRAM chip/device 的失效看成一个 ECC symbol 丢失，然后利用强ECC恢复。

例如：

一个 cache line：

1
2
3
4
5
Data:

Chip0  Chip1  Chip2  Chip3
  |      |      |      |
symbol symbol symbol symbol

如果：

1
Chip2 完全失效

变成：

1
symbol2 missing

ECC恢复：

1
2
3
4
5
6
7
8
9
symbol0
symbol1
symbol2  <--- lost
symbol3

        |
        v

ECC reconstruction

因此：

Chipkill要求：device failure必须是ECC可以建模和恢复的symbol error。

x4 DRAM为什么天然适合Chipkill？

x4 DRAM：

表示：

一个DRAM chip一次输出4 bit数据。

例如：

1
2
3
4
5
6
7
x4 DRAM:

Chip0 ---> 4 bits
Chip1 ---> 4 bits
Chip2 ---> 4 bits
Chip3 ---> 4 bits
...

假设一个device坏：

1
Chip2 failure

损失：

1
4 bits

ECC看到：

1
一个symbol丢失

这是比较容易处理的。

所以：

1
2
3
4
5
6
x4 DRAM + ECC DIMM

       |
       v

Chipkill-friendly

为什么x8 DRAM给Chipkill带来问题？

x8 DRAM：

一个chip输出：

1
8 bits

例如：

1
2
3
4
Chip0 ---> 8 bits
Chip1 ---> 8 bits
Chip2 ---> 8 bits
Chip3 ---> 8 bits

如果：

1
Chip2 failure

一次丢：

1
8 bits

问题来了：

ECC symbol粒度通常没有这么大。

也就是说：

1
2
3
4
5
一个device failure

        =

多个ECC symbol同时错误

例如：

1
2
3
4
5
6
7
8
symbol0
symbol1
symbol2
symbol3

Chip2坏:

symbol1 + symbol2同时丢失

传统Chipkill：

1
一个symbol failure

可以处理。

但是：

1
多个symbol failure

可能超出ECC能力。

所以：

传统Chipkill在x8 DRAM下无法保证覆盖整个device failure。

为什么需要 Bounded Fault ECC？

问题本质：

x8 DRAM：

1
2
3
4
device failure
        |
        v
8-bit error burst

这个故障太大。

Bounded Fault ECC的思想：

不要求ECC处理任意大的device fault，而是通过限制fault范围，把错误变成ECC可纠正的形式。

也就是：

1
2
3
4
5
6
7
8
9
10
11
unbounded fault

     |
     v

bounded fault

     |
     v

ECC correction

Bounded Fault ECC如何帮助Chipkill？

简单理解：

以前：

1
2
3
4
5
6
7
8
9
10
11
12
13
x8 DRAM

Chip failure

       |
       v

8-bit burst error

       |
       X

Chipkill无法覆盖

加入Bounded Fault ECC：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
x8 DRAM

Chip failure

       |
       v

fault containment

       |
       v

bounded error pattern

       |
       v

Chipkill ECC can correct

也就是说：

Bounded Fault ECC把x8 device failure转换成Chipkill ECC能够处理的故障模型。

Example

没有Bounded Fault ECC

x8:

1
2
3
4
Chip0 Chip1 Chip2 Chip3

       X

Chip2坏：

1
8 bits corrupted

ECC：

1
2
3
需要恢复8-bit device failure

超过能力

结果：

1
UE

有Bounded Fault ECC

故障：

1
Chip2 failure

经过fault bounding：

1
只暴露有限bit error

例如：

1
错误限制在一个ECC word范围内

然后：

1
2
3
4
5
6
Chipkill ECC

      |
      v

correct

x4、x8与RAS演进关系

可以这样理解：

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

               |
      -----------------
      |               |
     x4              x8
      |               |
      |               |
Chipkill容易     Chipkill困难
      |               |
      |               |
      v               v

传统Chipkill    Bounded Fault ECC
                      |
                      |
                      v

             x8也可以实现
             device fault tolerance

为什么不用全部换成x4？

这是实际工程问题。

x4优势：

  • 更容易实现Chipkill

但是：

  • DRAM颗粒组织不同
  • PCB布线
  • 成本
  • 容量密度
  • 产品兼容性

x8：

  • 成本低
  • 常见
  • 容量密度高

所以业界希望：

保留x8 DRAM优势，同时获得类似Chipkill的可靠性。

这就是Bounded Fault ECC出现的原因。

总结

Chipkill依赖DRAM device故障粒度，而传统Chipkill更适合x4 DRAM。x8 DRAM由于一次device failure会产生更大的错误范围，超过传统Chipkill ECC能力。Bounded Fault ECC通过限制故障范围，将x8 device failure转换为ECC可处理的有界错误，从而让Chipkill类保护能够覆盖x8 DRAM。

Bounded Fault ECC不是替代Chipkill，而是扩展Chipkill能够处理的fault model。