GPU的壽命

最近外面總在討論GPU的壽命只有三年。

為什么GPU的壽命如此之短？

我們去看看論文中是怎么說的。

三年

最近云服務提供商CSP談到，GPU的有效使用率通常是60%-70%。

在這樣的效率下，GPU的壽命通常為1年到2年，最長3年。

如果進一步提高使用率，那么GPU的壽命會進一步降低。

橡樹嶺國家實驗室的Titan GPU

首先一份論文來自美國橡樹嶺國家實驗室：

GPU Lifetimes on Titan Supercomputer: Survival Analysis and Reliability

這篇論文主要收集了GPU運行期間經常發(fā)生的兩種錯誤類型：

Double Bit Error (DBE)

DBE指的是GPU memory中發(fā)生的ECC檢測錯誤。ECC校驗可以校驗1bit，但是無法校驗2bit。

Off the Bus （OTB）

則是CPU失去了和GPU的連接，失聯(lián)了。

題外話，如果你聽到橡樹嶺實驗室比較耳熟。

那么，對，這個實驗室就是當年秘密研發(fā)原子彈的一處，曼哈頓計劃。

實驗室裝備的GPU

這里還要引入一個新的概念，MTBF。指的是mean time between failure。

兩次GPU失敗之間的均值時間。

研究人員收集數據之后發(fā)現，DBE，OTB data error都是在3年的時候達到頂峰。

也就是使用了三年的GPU會開始大規(guī)模failure。

OTB和DBE頻繁的發(fā)生在2016年成為了顯著事件，觸發(fā)了GPU的更新?lián)Q代。

2016年更新?lián)Q代：

如上圖所示，在更新?lián)Q代之后，MTBF明顯降低了，到了2018年，又有明顯走高趨勢，此時才過了兩年。

這次替換了11,000塊GPU，占了總體GPU數量的接近59%。

問題在哪里？

經過大量的測試分析，在材料學和顯微學的研究人員的支持下，

發(fā)現問題并不在于GPU本身，而是在于電路上焊接的電阻發(fā)生了銀硫化物腐蝕。

此類腐蝕物在微電子部件的環(huán)境空氣中生長，并且只有在積累到了臨界量的腐蝕后才會發(fā)生故障。