在本系列的第一篇文章中，我們探討了靜默數(shù)據(jù)損壞（Silent Data Corruption，SDC）的定義及其對當前計算數(shù)據(jù)狀況的影響。為此，我們再次邀請了谷歌的首席工程師Rama Govindaraju和微軟的硬件架構合伙人Robert S. Chappell共同探討解決這一棘手問題的可行方案。

回顧一下，靜默數(shù)據(jù)損壞是指受影響的CPU在處理數(shù)據(jù)時無意中引發(fā)錯誤。這些錯誤可能會長時間潛伏而不被發(fā)現(xiàn)，進而悄無聲息地破壞整個數(shù)據(jù)集。

隨著計算機處理能力的飛速提升，尤其是伴隨內(nèi)存密集型人工智能（AI）及其他前沿技術的廣泛應用，SDC的風險日益加劇，可能導致大量數(shù)據(jù)的損壞，進而引發(fā)難以預估且影響深遠的問題。

SDC問題亟待解決，那我們應該如何應對呢？

處理復雜的靜默數(shù)據(jù)損壞問題

當前，SDC的成因尚未明確，且解決方案尚處于初級階段。

SDC所面臨的一大挑戰(zhàn)是決策者未投入充足資源來根本性地解決該問題，而僅僅是在癥狀顯現(xiàn)時采取臨時緩解措施?！斑@要花多少錢？”是常見的反對理由，通常也是SDC未得到根本解決的原因，畢竟定期執(zhí)行掃描以及改進芯片制造工藝等諸多措施的成本過高。

最終，成本問題成為了開發(fā)實際解決方案的絆腳石。如果成本過高，為什么還要去研究解決方案呢？但這正是悖論所在：如果開發(fā)出了解決方案，就可以進一步研究降低成本和擴大應用的方法。

解決SDC的責任不應僅落在芯片開發(fā)者身上，制造商以及更廣泛的利益相關方也應參與其中。即使現(xiàn)有的每個芯片都完美無瑕，SDC問題仍然會發(fā)生。然而，芯片生命周期的每一個環(huán)節(jié)都可能存在相關的解決方案，且或?qū)Υ税l(fā)揮積極作用。

如今，制造商缺乏應對SDC的動力。如果客戶收到有故障或缺陷的芯片，通常只需退換即可。這種做法雖然可行，但并未從根本上解決問題。如果激勵機制發(fā)生改變，相應的行為模式也會隨之變化。例如，如果芯片開發(fā)者可以向制造商證明某個芯片存在缺陷，而制造商必須為此支付50倍于芯片成本的賠償，那么制造商就會更自覺地采取預防措施。

此外，早期的篩查和測試有助于盡早發(fā)現(xiàn)SDC，從而留出補救時間。就比如您汽車上的傳感器。許多傳感器并不是汽車正常運行所必需的，而是用于提醒用戶可能存在的問題。

在芯片領域，某些故障可能隱藏了一兩年之久，等到發(fā)現(xiàn)時往往為時已晚。芯片中的傳感器可以發(fā)出預警或警告，雖然這只是權宜之計，但可以在過渡階段提供有效幫助。

解決SDC面臨的一大難題在于，解決方案需要廣泛覆蓋。具體來說，真正有效的解決方案應涵蓋芯片開發(fā)者、供應商、云和數(shù)據(jù)管理者及其他相關方等等所有環(huán)節(jié)。

有望解決靜默數(shù)據(jù)損壞的工具和方法

解決SDC的另一難點在于我們對其發(fā)生機制和原因知之甚少。不知彼，不知己，每戰(zhàn)必貽。因此，我們需要更多能夠廣泛共享、分析和研究的數(shù)據(jù)。此外，行業(yè)也應允許并鼓勵研究人員和開發(fā)者聚焦于SDC問題。

識別數(shù)據(jù)中的異常點、采取糾正措施、診斷癥狀、關注時間延遲或數(shù)據(jù)泄漏等警示跡象，以及其他許多診斷選項，將有助于揭開SDC的神秘面紗。然后，通過調(diào)整策略，我們也許能夠找到解決方案。然而，這些舉措仍未能在開發(fā)階段如期落地，所以迫切需要集結各方力量共同攻關。

我們可以借鑒網(wǎng)絡安全等相關行業(yè)以及食品和消費品等領域，建立一系列的管理標準，規(guī)定安全可靠的產(chǎn)品必須達到的特定條件。在計算機組件領域，類似的框架必定有助于推動解決方案的發(fā)展。

在工具箱中，還有一個工具目前尚未得到充分利用，那就是人工智能（AI）和機器學習（ML）算法。在診斷方面，定期篩查并不完美。一項篩查可以運行10次，但可能會得到5次陽性結果和5次陰性結果。故障容易被遺漏，而即便能夠識別出某些癥狀，但通常也難以確定故障的根本原因或具體機制。

AI或ML或許能夠提供幫助。理論上，當SDC的早期跡象達到某些條件時，算法能夠發(fā)出警報。但這種方法也并不理想，因為訓練這些模型需要大量數(shù)據(jù)，進而需要綜合處理數(shù)據(jù)，而且用于AI訓練的數(shù)據(jù)集必須具備高度的目的性。這個方法雖然很有潛能，但仍處于早期階段。

毫無疑問，這一問題規(guī)模巨大，構成了根本性威脅，需要我們攜手應對。芯片開發(fā)者、制造商、軟件和硬件工程師、供應商以及任何涉及計算機數(shù)據(jù)的人員等等各個領域的利益相關者，都需要共同合作并認真對待SDC問題。在此過程中，教育扮演著重要角色，我們希望類似本博客系列的資源有助于闡明為什么必須采取行動來解決靜默數(shù)據(jù)損壞，并說服決策者落實措施。

解決問題的第一步是承認問題的存在。對于靜默數(shù)據(jù)損壞，我們已經(jīng)意識到問題的存在，現(xiàn)在是采取行動的時候了。