HN 日本語サマリー

← 一覧へ戻る
科学・技術

ECCとDDR5

ECC and DDR5 (etbe.coker.com.au)

107 pointsby zdw98 コメント

要約

この記事は、コンピュータメモリにおけるエラー訂正コード(ECC)の仕組みと、最新のDDR5メモリにおけるその実装について解説しています。ECC RAMは、メモリで発生するエラーをCPUに到達する前に訂正し、システムの安定性を向上させます。特に、DDR5ではオンダイECCが導入され、メモリチップ内部でのエラー発生率の増加に対応しています。

全文翻訳

ECCとDDR5

ハミングコード

ECC RAMは、CPUに到達する前にメモリで発生するエラーを訂正します。最も一般的なECCの形式はハミングコードであり、R個の冗長ビットを持つ場合、2^R-R-1ビットのデータメッセージにおける単一ビットエラーを訂正し、二重ビットエラーを検出できます。PC用途では、32ビットのデータを保護するにはR=6、64ビットのデータを保護するにはR=7が必要です。DDR4および類似のRAMの標準は、バス幅72ビットで、65ビットのデータに対して単一ビットエラーを訂正し二重ビットエラーを検出するハミングコードを使用しています。私たちが使用するコンピュータは64ビットのデータ幅を持っているため、追加のビットが1つ存在し、これが余分なパリティビットとして使用されている可能性がありますが、それがどのように利用されているかは不明です。

RDIMM vs UDIMM

このような事柄で混乱を招く点の一つに、Registered memory、別名RDIMMと、一般的にUDIMMと呼ばれる通常のPC/ラップトップメモリとの違いがあります。「レジスタ」は単なるバッファであり、この投稿では関連性のない複雑な問題により、DIMMをより大きくしたり、システムに多くのDIMMを搭載したりできますが、レイテンシがわずかに悪化する可能性があります。ECCなしのRDIMM(72ビットではなく64ビット幅)を作成することは技術的に可能ですが、そのようなRAMを使用するシステムを見たことはありません。

ECC UDIMMを搭載したシステムをいくつか使用したことがありますが、可能であれば避けることをお勧めします。ECC UDIMMは中古市場では高価ですが、ECC RDIMMは非常に安価に入手できます。ECC RDIMMを搭載したサーバーの中には、家庭での使用には全く適さないもの(非常にうるさいデュアルCPU 1RUサーバーなど)があります。そのため、5年間の減価償却期間を過ぎると、サーバーシャーシはe-wasteに送られ、RAMは中古市場に出回ります。使用するシステムのないRAMの過剰供給が価格を下落させます。

最も一般的に見られるシステムでは、ECC搭載のRDIMMシステムとECC非搭載のUDIMMシステムがあります。

Chipkill

RAMの各ビットが他のビットから独立していれば、基本的なハミングコードでほとんどの問題は解決するでしょう。しかし、同じチップ内の複数のビットが同じ問題の影響を受ける可能性や、DIMM上の1つのチップが完全に故障する可能性があります。各RDIMMには18個または36個のDRAMチップがあり、チップあたり2ビットまたは4ビットです。36個のDRAMチップを持つDIMMでは、1つのチップが故障しても、ハミングコードで確実にエラーを検出できます。18個のDRAMチップを持つDIMMでは、1つのチップの故障をハミングコードで必ずしも検出できるとは限りません。IBMは、単一のDRAMチップの故障に対処できるECCシステムをChipKillと商標登録しました。これはDellやHPのサーバーでは「Advanced ECC」と呼ばれ、偶数個のDIMMが必要です。「ChipKill」タイプのシステムで使用されるコーディング方法について知っている方がいれば、教えてください。

高度なECCを備えたシステムには、ホットスペアRAMやRAID-1のような機能も含まれていることがよくありますが、これは私のブログを読むほとんどの人が使用することはないでしょう。

DDR5

DDR5は、小型化・高速化されたメモリによるエラー発生率の増加に対処するため、オンダイECCを備えています。これは128ビットのデータあたり8ビットのエラー訂正として仕様化されており、基本的なハミングコードを示唆しています。

オンダイECCは、通常のECCの代替ではなく、新たに導入された問題への緩和策です。メモリエラーに関する私の経験では、再現性のあるエラー(Memtest86+でシステムが繰り返しエラーを出す、またはECCエラーレポートが繰り返し発生する)の大部分はDIMMの装着問題でした。問題のあるDIMMを抜き差しすると、同じテストがパスするようになりました。これらのエラーはオンダイECCの影響を受けないでしょう。

懸念していることの一つは、オンダイECCがマザーボード上のECCと相互作用し、その有効性を低下させる可能性です。これが実際に起こるかどうかを判断するために十分な情報を得ることができませんでした。私の懸念は、基本的なハミングコードで訂正される3ビット以上のエラーが、元のエラーよりも「Advanced ECC」が修正できないエラー状態を生み出す可能性が高くなるのではないかということです。

現在、RAMエラーに対するECCの有効性に関する最も優れた公開研究は、2009年に公開されたGoogleのDDRおよびDDR2 RAMに基づいた論文です。そのため、DDR4 ECCに関する公開研究がすぐに現れるとは予想していません。Googleやその他のクラウドプロバイダーは依然としてそのような研究を行っており、NDAの下でDRAMベンダーに情報を提供していると推測されるため、DRAMベンダーが適切に機能するために必要なことを行い、その研究に基づいた製品を購入できるようにしてくれることを願うしかありません。

DDR5 EC4 vs EC8

DDR5は、64ビットワードをサポートするだけでなく、2つの32ビット「サブチャネル」をサポートしています。DDR5 ECC RAMには、データあたり36ビットのEC4と、データあたり40ビットのEC8のバリアントがあります。EC8は、各サブチャネルで独立してハミングコードを使用できます。EC4が正確にどのように機能するかについての参照は見つかりませんでしたが、64ビットを一度に読み取る(サブチャネルを利用しない)ことでハミングコードを使用しているか、またはサブチャネルごとに1つのパリティビットを持ち、サブチャネルパリティが失敗した場合にのみハミングコードのチェックが必要だと想定している可能性があります。EC8は32ビットのデータに対して完全なハミングコードチェックを可能にし、おそらく64ビットに対してChipKillを可能にします。

すべてのDDR5 RDIMMはEC8であり、すべてのDDR5 ECC UDIMMはEC4であると広く主張されています。eBayでの簡単な検索では、EC4およびEC8 RDIMMの広告が見つかり、一部のRDIMMがEC4であることが確認された信頼性の高いサイトへのリンクも見つかりました。EC8 UDIMMの報告もありますが、広告で見つけることはできませんでした。これはDDR4の状況を反映しているようです。非ECC RDIMMはどこかにあるようですが、ECC UDIMMは私が数回使用したことがありますが、ほとんどの人は見たことがありません。

次に、どのサーバーがサポートしているかについての情報を検索しました。Dell R760サーバーはEC4とEC8のRDIMMの両方をサポートしていますが、同じシステムで両方を混在させることはできません。

EC4 DIMMの存在は間違っています。彼らは標準以下の製品を作るべきではありません。72ビットと80ビット幅のDIMMの製造価格差はそれほど大きくなく、結果として一部のシステムは不十分な仕様になり、互換性のためにチェックすべきことが増え、システムのアップグレードがさらに困難になります。

なぜECCが必要なのか

MozillaがFirefoxクラッシュの15%がRAMハードウェアエラーに起因すると主張している興味深い記事があります。これは再現性のあるエラーに基づいているようで、そのため1日に1回以下の頻度で発生するビットフリップのエラーはカウントされないでしょう。

数年前、私はデスクトップPCでBTRFSの破損問題をBTRFS開発者に報告しました。そのうちの一人は、問題の破損はBTRFSのバグとして予想されるパターンに一致しないと述べ、Memtest86+の実行を推奨しました。メモリテストにより、約5時間に1回のメモリ破損が発生していることが明らかになりました。もしそのシステムでFirefoxを使用していたら、クラッシュはおそらくRAMによるハードウェアエラーとは見なされなかったでしょう。これらのエラーはファイルシステムの破損と一部のデータ損失を引き起こしましたが、BTRFSを使用していなかったら、何年も気づかれなかった可能性があります。

別の機会に、開発中のソフトウェアをテストするために使用していたVMで予期しないエラーが発生しました。1日作業した後、他の開発者のメーリングリストでエラーを共有し、彼らも調査に時間を費やしました。最終的にハードウェアの問題を疑い始め、現場に行き、システムを再起動してMemtest86+を実行しようとしたところ、BIOSさえ正しく動作しないエラーが発生していたため、起動すらできませんでした。システムは明らかに正常に動作しているように見え、KVM VMを再起動すると、同じコードで同じエラーが発生し、VMの他の部分には問題がないように見えたのは奇妙でした。結局、システムのマザーボードに問題があり、DIMMソケットの1つを除くすべてが使用不能になっていたため、e-wasteに送ることになりました。それは私の1日と他の人々の数時間を無駄にしました。おそらく他の機会にも、開発者の時間はハードウェアエラーのために無駄になり、誰もそれに気づいていないのでしょう。

社会が必要としているもの

ECC RAMがより広く使用される必要があります。理想的には、破損したデータとRAMハードウェアエラーによる時間の損失という社会への継続的なコストを考慮して、政府の介入によってこれを強制する必要があるでしょう。新品で購入する際に、非ECC RAM(およびDDR5の場合はEC4 RAM)に、ECC RAMよりも高価になるような十分な税金を課す必要があると考えます。

コンピュータ専門家の間でECC RAMの利点に関する知識を深める必要があります。人々は可能な限りECC RAMを搭載したコンピュータを購入することを推奨し、ECC RAMを搭載できないシステム(ラップトップやスマートフォン)には重要なデータを保存すべきではないと推奨する必要があります。

人々を混乱させ、ECC RAMを動作させるのを不必要に難しくするような、多くのRAMバリアントが存在するといった愚かなことを避ける必要があります。