Gyorsan romló memóriák

Miért jó egy óriási internetes vállalat tulajdonosának lenni? Számos egyéb ok mellett például azért, mert ha irgalmatlan nagy szerverpark felett rendelkezik cégünk, könnyedén kideríthetjük, mely hardverelemek számítanak kevésbé megbízhatónak. A Google élen jár ebben a kutakodásban, amint arról már fél éve is írtunk (bővebben itt). Ezúttal a memóriák kerültek terítékre.

„A memóriahibák és a különböző memóriamodulok hibái a korábban megállapítottnál jóval nagyobb számban fordulnak elő.” – summázta tapasztalatait Bianca Schroeder, a Torontói Egyetem professzora. Schroeder a Google két munkatársával, Eduardo Pinheiro-val és Wolf-Dietrich Weberrel közösen vizsgálta a memóriák meghibásodási gyakorlatát, és felfedezte, hogy az ilyen problémák egyáltalán nem olyan ritkák, mint hittük. Átlagban három Google szerverből egy átesik egy javítható memóriahibán évente(!), és százból eggyel az a sajnálatos eset is megtörténik, hogy a benne dolgozó modul (vagy a rajta levő chipek valamelyike) rendszerösszeomlást okozóan hibásodik meg.

Fontos megjegyezni, hogy az amerikai keresővállalat ECC, vagyis hibajavító kóddal ellátott RAM-okat használ, ami nagyobb stabilitást nyújt, szemben az asztali PC-kben található változatok nagy részével. Ez azt jelenti, mondta Peter Glaskowsky, az Envisioneering Group egyik elemzője, hogy ami a Google-nél még javítható hiba kategóriába esik, az egy desktop PC-nél már lefagyást eredményezhet.

Ennek ellenére a Google-féle valós teszt rácáfolt a korábbi megállapításokra. Az egyik mérvadónak tekinthető felmérésben egy 300 számítógépből álló fürtöt vizsgáltak, melynek során az derült ki, hogy egymilliárd órányi működésre átlagosan 200-5.000 meghibásodás jut. Ezzel szemben a Google szervereinél 25.000-75.000 meghibásodást tapasztaltak egymilliárd órányi működés során. Eszerint átlagosan egy-két nagyságrenddel gyakrabban következik be egy memóriahiba a korábban gondolthoz képest. Ráadásul nem szabad elfelejteni, hogy míg az asztali PC-knél sokkal kisebb problémát okoz a jelenség – hiszen az adatok viszonylag kis része van a memóriában, a döntő többség a háttértárolón „üldögél” -, addig a szervereknél hatványozottabban nagyobb gondot jelent egy rendszerösszeomlás.

Tévhitek
Ezzel együtt megcáfoltak néhány mítoszt is a kutatás készítői. Szerintük a felhasználók a melegedést túlságosan fontosnak tartják. Ugyan a nagyobb hőmérséklet valóban megnöveli egy hiba bekövetkeztének valószínűségét, a Google adatközpontjaiban dolgozó modulok chipjeinek hőmérsékletváltozásai csak jelentéktelen hatással voltak a memóriahibák előfordulásának számára. Emellett kiderült az is, hogy egyáltalán nem a „kemény hibák” vannak többségben: a hardver fizikai elromlása sokkal ritkábban jelentkezik, mint egy úgynevezett „puha hiba”. A DRAM-oknál ez utóbbi, vagyis a tranziens (például egy véletlenszerűen érkező kozmikus sugárzás okozta) esetek a gyakoribbak.

Rávilágítottak arra is a felmérés készítői, hogy az újabb modulok egyáltalán nem teljesítenek rosszabbul a meghibásodást illetően, mint a régebbi típusok. A DDR2 lapkák például semmivel sem bizonyult gyengébbnek, mint a DDR chipek. A józan ész azt diktálná, hogy ez nem így van, hiszen a fejlettebb gyártástechnológia vékonyabb csíkszélességet, egymáshoz közelebb ülő és kisebb tranzisztorokat eredményez, így a hardverelemnek összességében – változatlan körülmények között – érzékenyebbnek kellene lennie. A helyzet azonban nem ez, legalábbis a bolygónk felszínén.