我們今天來(lái)簡(jiǎn)單討論一下企業(yè)級(jí)內(nèi)存條的Memory ECC。

圖 （1）

圖（1）是一個(gè)帶有ECC的RDIMM，圖中我們已經(jīng)將各個(gè)組件和關(guān)鍵的金手指信號(hào)區(qū)域標(biāo)示出來(lái)。首先，我們來(lái)認(rèn)識(shí)一下這幾個(gè)關(guān)鍵詞： Device：內(nèi)存顆粒，根據(jù)其存放內(nèi)容不同，又分為數(shù)據(jù)顆粒和ECC顆粒。通常有X4，X8和X16，代表每個(gè)顆粒對(duì)外的數(shù)據(jù)線(xiàn)路是4 lane，8 lane和16 lane。

Channel：一個(gè)Channel由一個(gè)或者多個(gè)Rank組成，其寬度由控制器決定。當(dāng)前主流的個(gè)人電腦和服務(wù)器中，一個(gè)Channel的寬度為64bit，可根據(jù)內(nèi)存控制器是否支持ECC而擴(kuò)展額外的8bit。也就是說(shuō)如果不支持ECC的Channel，其寬度為64bit，而支持ECC的Channel，其寬度為72bit。市面上兩種內(nèi)存條都有銷(xiāo)售。

Rank：一個(gè)Channel里面，同一個(gè)CS（Chip Select）信號(hào)選中的所有Device就是一個(gè)Rank。同一個(gè)Rank中所有的Device共用命令，地址和控制信號(hào)。拿讀操作舉例，內(nèi)存控制器發(fā)起的一個(gè)讀操作，其實(shí)將作用于該Channel的某個(gè)Rank中所有的Device。所有Device的數(shù)據(jù)線(xiàn)共同輸出達(dá)到內(nèi)存控制器所需的寬度。例如，采用X4的顆粒，組成不帶ECC功能的一個(gè)Rank則需要64/4 = 16個(gè)X4的Device。大家可以計(jì)算一下如果采用X8或者X16寬度的顆粒，需要多少個(gè)呢？

注：本文我們將主要以X4的Device來(lái)討論

注：X16的顆粒一般不被用來(lái)組成帶ECC的Rank

Cacheline：Cacheline通常是指是處理器中Cache Unit（緩存模塊）緩存一筆數(shù)據(jù)的標(biāo)準(zhǔn)大小。根據(jù)處理器的不同，Cacheline的大小是不一樣的。當(dāng)前主流的個(gè)人電腦和服務(wù)器中，Cacheline的大小為64 Byte。為了設(shè)計(jì)方便，處理器內(nèi)部搬運(yùn)可被緩存的數(shù)據(jù)也采用同樣的大小64B。為了滿(mǎn)足該需求，一個(gè)Rank被設(shè)計(jì)成了64bit的數(shù)據(jù)位寬，而JEDEC（DDR標(biāo)準(zhǔn)組織）設(shè)計(jì)了burst傳輸。一個(gè)Burst的長(zhǎng)度可以是8，從而一次讀操作，可以讓顆粒一次吐出8筆數(shù)據(jù)。從而達(dá)到64bit X 8 = 64B的大小。具體參考圖（2）。

圖（2）

CE(CorrectableError)：可糾正錯(cuò)誤是指硬件（芯片）可以直接糾正的錯(cuò)誤。由于內(nèi)存控制器設(shè)計(jì)不一樣，對(duì)于可糾正錯(cuò)誤的能力可能存在不同。例如，主流x86服務(wù)器的內(nèi)存控制器（支持帶ECC的內(nèi)存條），在一次讀操作中，一個(gè)X4寬度的Device內(nèi)的任意錯(cuò)誤都是可糾正的，包括ECC的Device。如果Rank是X8寬度的Device組成，其糾正能力還是與X4的Device寬度及位置保持一致。在X8的一個(gè)Device中，只有DQ0-3，或者DQ4-7可以被糾正。如果是DQ2-5，雖然是X4寬度但位置與X4時(shí)不對(duì)應(yīng)，也無(wú)法糾正。

注：DQ0即D0，或者D0_0，DQ63則是D63，或者D15_3

UCE(Uncorrectable Error):不可糾正錯(cuò)誤是指硬件（芯片）無(wú)法直接糾正的錯(cuò)誤。例如，在一次讀操作中，錯(cuò)誤數(shù)據(jù)位分布在不同X4的Device范圍，以現(xiàn)有內(nèi)存控制設(shè)計(jì)來(lái)看，屬于不可糾正錯(cuò)誤。

下面我們簡(jiǎn)單介紹一下內(nèi)存控制器是如何偵錯(cuò)和糾錯(cuò)的。由于ECC具體算法屬于各家的IP，這里介紹的方法只是幫助大家理解該功能。首先，內(nèi)存控制器能夠糾錯(cuò)，就必須先能發(fā)現(xiàn)錯(cuò)誤。如果每次消費(fèi)的數(shù)據(jù)大小是64B，在不增加額外信息的情況下，我們是無(wú)法知道該數(shù)據(jù)是否有改變的，因?yàn)?4B的數(shù)據(jù)可以是任何01的組合，即任意數(shù)據(jù)都是合法的。另一方面，額外的信息需要額外的存儲(chǔ)，從成本考慮，這額外信息應(yīng)該越小越好。JEDEC組織提出增加額外8 x 8 = 64bit的數(shù)據(jù)來(lái)幫助一個(gè)64B的數(shù)據(jù)完成ECC。 從物理角度看，一個(gè)X4 Device組成的Rank將會(huì)增加兩個(gè)Device用于ECC。一種可行的做法是，其中一個(gè)Device負(fù)責(zé)存放CRC（Cyclic Redundancy Check）校驗(yàn)信息用于偵錯(cuò)，另一個(gè)Device負(fù)責(zé)存放奇偶校驗(yàn)信息（Parity），配合糾正錯(cuò)誤。

Parity：Parity基本功能是發(fā)現(xiàn)保護(hù)數(shù)據(jù)中是否有bit翻轉(zhuǎn)。保護(hù)方法是統(tǒng)計(jì)保護(hù)數(shù)據(jù)中1的個(gè)數(shù)，如果是偶校驗(yàn)，當(dāng)保護(hù)數(shù)據(jù)中1的個(gè)數(shù)是偶數(shù)時(shí)，Parity為0，否則為1，所以Parity只需要一個(gè)bit就能發(fā)現(xiàn)保護(hù)數(shù)據(jù)中是否有一個(gè)bit的數(shù)據(jù)翻轉(zhuǎn)（0到1或者1到0）。當(dāng)然對(duì)于奇數(shù)個(gè)bit都有一樣的檢測(cè)效果。但當(dāng)偶數(shù)bit翻轉(zhuǎn)的時(shí)候，Parity將無(wú)法知道。在了解了Parity基本功能后，我們來(lái)看看內(nèi)存控制器是如何計(jì)算Parity并存放的。如圖（3）所示。

圖（3）

Burst傳輸中每一筆64bit數(shù)據(jù)，4bit Parity和4bit CRC的具體對(duì)應(yīng)關(guān)系如下： P0=D0_0+D1_0+D2_0+…D15_0+C0 P1=D0_1+D1_1+D2_1+…D15_1+C1 P2=D0_2+D1_2+D2_2+…D15_2+C2 P3=D0_3+D1_3+D2_3+…D15_3 +C3

注：D15_3為Device15的DQ3信號(hào)，從Rank角度看，為圖中的D63

假設(shè)Device 2 在Burst的第三筆數(shù)據(jù)中有bit翻轉(zhuǎn)，則無(wú)論是D2_0, D2_1, D2_2, D2_3 或者都錯(cuò)了，請(qǐng)參考圖（4），我們都可以通過(guò)Parity bits反算回來(lái)，前提是burst的第三筆數(shù)據(jù)中其他Device沒(méi)有出現(xiàn)錯(cuò)誤。具體計(jì)算如下：

D2_0=P0(-)(D0_0+D1_0+D3_0…D15_0+C0)

D2_1=P1(-)(D0_1+D1_1+D3_1…D15_1+C1)

D2_2=P2(-)(D0_2+D1_2+D3_2…D15_2+C2)

D2_3=P3(-)(D0_3+D1_3+D3_3…D15_3+C3)

圖（4)

CRC:我們?cè)鯓又雷x取的Cacheline數(shù)據(jù)是正確的還是錯(cuò)誤的？這里將會(huì)用到CRC來(lái)進(jìn)行校驗(yàn)。一種比較簡(jiǎn)單的校驗(yàn)方式就是除法。我們?cè)O(shè)計(jì)一個(gè)除數(shù)，讓被保護(hù)數(shù)據(jù)（被除數(shù)）去除以這個(gè)除數(shù)，然后會(huì)得到商和余數(shù)。通常余數(shù)比設(shè)計(jì)的除數(shù)要小。在存儲(chǔ)一個(gè)Cacheline大小數(shù)據(jù)到內(nèi)存條上的時(shí)候，內(nèi)存控制器會(huì)計(jì)算CRC的值，并存放到CRC的Device中去。讀取的時(shí)候再計(jì)算一遍，然后和內(nèi)存條讀回來(lái)的CRC的值進(jìn)行比較。如果一致，則認(rèn)為數(shù)據(jù)沒(méi)有發(fā)生變化。否則，認(rèn)為數(shù)據(jù)出錯(cuò)。 從上述理論可以推出，CRC校驗(yàn)位越多，則偵錯(cuò)能力越強(qiáng)。CRC設(shè)計(jì)不一樣，偵錯(cuò)不同數(shù)據(jù)翻轉(zhuǎn)的能力不同?？赡艽嬖跀?shù)據(jù)錯(cuò)了，但偵錯(cuò)不了的情況。 既然有漏測(cè)的情況，為什么我們還會(huì)繼續(xù)使用？這就和錯(cuò)誤類(lèi)型的概率有關(guān)了。通常情況下，一個(gè)bit翻轉(zhuǎn)的可能性比較高，多bit同時(shí)翻轉(zhuǎn)的可能性比較低。多bit翻轉(zhuǎn)在同一個(gè)device里的幾率比較高，多device同時(shí)翻轉(zhuǎn)的概率比較低。 舉個(gè)例子，當(dāng)一個(gè)Cacheline的數(shù)據(jù)從內(nèi)存條里讀出來(lái)后，通過(guò)CRC校驗(yàn)，我們會(huì)發(fā)現(xiàn)數(shù)據(jù)有可能已經(jīng)發(fā)生改變。這個(gè)時(shí)候，我們先假設(shè)出現(xiàn)了CE（Correctable Error）問(wèn)題。則通過(guò)Parity信息反算Device數(shù)據(jù)，需要一個(gè)Device一個(gè)Device的假設(shè)，然后重新計(jì)算CRC和之前存儲(chǔ)的CRC進(jìn)行比較。所以最多的情況可能要假設(shè)18次。 如果全部弄完仍然CRC對(duì)不上，則屬于UCE（Uncorrectable Error）問(wèn)題啦。當(dāng)然，大家會(huì)發(fā)現(xiàn)，ECC校驗(yàn)過(guò)程會(huì)影響內(nèi)存讀寫(xiě)延時(shí)。

到這里，大家應(yīng)該了解了Memory ECC的基本算法了，Parity針對(duì)的是每個(gè)Burst，CRC是以半個(gè)CacheLine或者其他大小為單位處理的。如果是跨Device的Error，真的無(wú)法糾錯(cuò)嗎？如果有，請(qǐng)將你的實(shí)現(xiàn)方案發(fā)給我們吧，我們將在下期公布讀者的“可行”方案哦。