二、硬件在线诊断技术
硬件在线诊断技术主要包括热插拔技术、内存保护、内存检查和纠错技术、内存镜像技术,内存热添加/交换技术、活动PCI技术,活动诊断技术等,下面我们分别介绍。
1. 热插拔技术
热插拔技术就是指有些部件可以在系统带电的情况下对部件进行插、拨操作。这非常重要,因为有时我们发现一些部件已损坏,但因为提供了硬件冗余,所以系统仍能继续保持良好运行。损坏的设备需要更换下来,这时如果这些硬件不支持热插拔技术,则必须关掉服务器的电源才能进行,这样就会严重影响服务器所管网络的正常长期不间断运行。一般来说具有热插拔性能的硬件主要有:硬盘、CPU、RAM、电源、风扇、PCI适配器、网卡等。
2. 内存查纠错技术
服务器中的内存我们知道一般来是采用带有ECC技术的,ECC的英文全称是“ Error Checking and Correcting”,中文名为“错误检查和纠正”,从这个名称就可以看出它的主要功能就是“发现并纠正错误”。
ECC比以前的奇偶校正技术更先进的方面体现在它不仅能发现错误,而且能纠正这些错误,这些错误纠正之后计算机才能正确执行下面的任务,确保服务器的正常运行。但要注意的是它不是一种内存型号,是一种内存技术,不仅以前的EDO内存可以有、SD内存也可有,现在主流的DDR内存同样可以有。那是因为并不是一种影响内存结构和存储速度的技术,它可以应用到不同的内存类型之中,就象我们在前讲到的“奇遇校正”内存。但ECC技术只能纠正单比特的内存错误,IBM还有一种更先进的特殊内存纠错技术,那就是ChipKill内存技术。
Chipkill内存最初是由20年前的IBM大型机发展过来的,ChipKill最初是为美国航空航天局(NASA)的“探路者”探测器赴火星探险而研制。它是IBM公司为了解决目前服务器内存中ECC技术的不足而开发的,是一种新的ECC内存保护标准。
ECC内存可以同时检测和纠正单一比特错误,但如果同时检测出两个以上比特的数据有错误,则一般不能纠正。但随着基于Intel处理器架构的服务器的CPU性能在以几何级的倍数提高,而硬盘驱动器的性能同期只提高了5倍,因此为了获得足够的性能。服务器需要大量的内存来临时保存在CPU上读取的数据,这样大的数据访问量就导致单一内存芯片上每次访问时通常要提供4(32位)或8(64位)比特以上的数据。一次性读取这么多数据,出现多位数据错误的可能性会大大地提高,而ECC又不能纠正双比特以上的错误,这样就很可能造成全部比特数据的丢失,系统就很快崩溃了。IBM的Chipkill技术是利用内存的子结构方法来解决这一难题。
Chipkill技术内存子系统的设计原理是这样的,单一芯片,无论数据宽度是多少,只对于一个给定的ECC识别码,它的影响最多为一比特。举个例子来说明的就是,如果使用4比特宽的DRAM,4比特中的每一位的奇偶性将分别组成不同的ECC识别码,每个ECC单元可单独用一个数据位来保存的,也就是说保存在不同的内存空间地址。因此,即使整个内存芯片出了故障,每个ECC单元也将最多出现一比特坏数据。这种情况完全可以通过ECC逻辑修复,从而保证内存子系统的容错性,保证了服务器在出现故障时,有强大的自我恢复能力。采用这种Chipkill内存技术的内存可以同时检查并修复4个错误数据位。
3. 内存保护(Memory ProteXion)
IBM的内存保护技术就是保护由于意外的内存错误而带来的损失,它比ECC内存错误纠正技术有效得多,同时它使用的是标准的ECC 168内存。它的工作方式有点像在Windows NT的NTFS文件系统下的在线备份磁盘扇区一样,当操作系统在磁盘上检测到坏的磁盘扇区时,它将在另外的扇区中写下这些数据放一边留作备用,我们可以认为内存保护就是提供在线备份数据位。这内存错误的纠正是通过内存控制器来完成的,所以不会增加操作系统的工作量,也不需要操作系统来提供支持,完全与操作系统无关。因为这是在标准的ECC 168线内存起作用的,无需为这种保护增加另外的开支。
内存保护(在其它系统中也有称“多余的数据位”)技术最初的发展是在IBM大型机上,而且在Z系列和I系列服务器上使用了许多年。IBM的高可靠性测试和分析使得带有内存保护技术的服务器每年因内存出错的机会比使用标准的ECC内存的少200倍。举个例子,给同样8GB内存的服务器多台,用户希望经过测试每132台使用ECC内存的服务器中每年只允许1台出现错误,而使用内存保护后就会看到每26042台服务器中每年只有1台因内存出错。
在一个2路交叉存取的内存系统中,每2片168线ECC内存包含144位,但是只有140位是用于数据存取和校验的。余下的4位是没有用上的,标准的ECC内存可以检测出2位的数据错误,但它只能纠正一位错误。如果在同时内存上有多位出错,那么这整个内存读取就失败了,此时唯有使系统临时挂起来,以尽量减少内存容量的需求,直到这个节点被更换。如果具有内存保护,那么就可以立即隔离这个失效的内存,重写数据在空余的数据位。通过这种方法可以在每4对(1个内存控制器,有的服务器不止包括一个内存控制器)168线内存中修复4个4位连续的内存错误。当服务器下次重启就会重新检查内存的状态,如果是内存软错误(临时的),系统重启后内存的这些用于在线数据备份的数据位就重新释放了,恢复空的状态。如果是属于硬故障,这些在线备份数据位还会继续用来备份,直到更换为止。这种先进技术可以使减少停机机时间,使服务器持续保持高效的计算平台。这对于大型的数据库系统中尤其重要。
||||||4. 内存镜像 (Memory Mirroring)
另一种防止服务器因内存错误的发生而导致整个服务器不稳定性事件发生的措施就是内存镜像。或许有可能服务器不知什么原因遇到了许多内存保护和Chipkill修复技术都不能完全修复的情况,此时内存镜像就会开始在系统中运行。
内存镜像很像磁盘镜像,就是将数据同时写入到两个独立的内存卡中(每个内存卡的配置者是一样的),平时的内存数据读取只从激活的内存卡中进行。如图7所示的是CPU同时把数据写入到两片内存中的示意图。
图7
在图7中如果一个内存中有足以引起系统报警的软故障,频繁报告系统管理员警告说这个内存条将要出故障,或者整个内存条都要彻底损坏,服务器就会自动地切换到使用镜像内存卡,直到这个有故障的内存被更换。允许系统照常运行,直到方便的时候对出故障的内存单元进行检测。镜像内存允许进行热交换和在线添加内存(因为镜像内存的存在,所以对于软件系统来说也就只有整个内存的一半容量是可用的,如果不希望镜像,在BIOS中进行禁止即可。)
5. 内存热添加/热交换 (Hot-add/Hot swap Memory)
热交换技术就是允许在服务器运行中将失效的内存进行更换,热添加就是在需要的时候允许在服务器运行状态下添加新的内存。IBM X系列服务器已经允许服务人员在需要时在线进行热添加新的驱动器、适配器、电源和风扇。
在一个服务器上安装的内存越多,在系统中发生与内存有关的错误的可能性也就越大。现在,由于服务器可以容纳几十上百GB的内存,可靠性就显得比以前更重要了。就像磁盘容量的增加一样,现在的磁盘容量远远超过20年前用户希望寻找方法来提高硬盘性能和保护他们的数据时所作的希望。这些都需要一个确切的方法,如离线存储、磁带驱动器一样。Chipkill修复技术、内存保护、内存镜像和热交换性能属于纯硬件方法,并没有依靠操作系统,而内存热添加技术需要进一步的软件支持。
这些内存保护机制都是经过试验为可靠的技术,已在IBM大型机和其它大型系统中经过几年的考验。最重要的一点就是这些技术都在普通的工业标准ECC 168线内存实现的,所以内存也不会特别贵。
6. Active PCI-X(活动PCI-X)技术
在说明这一技术之前我们要明白什么是PCI-X,它是一种新的过渡型的总线标准,它的主频带宽可以比原来的PCI总线宽一倍,可以提供更高的I/O访问速度,现有一种更新的总线技术PCI-Express接口将全面替代PCI和PCI-X接口,当然不是现在。IBM在成功实现Active PCI(活动PCI)技术的基础之上,在基于企业级服务器X架构设计的一些X系列服务器中引入同时支持PCI和PCI-X两种适配器接口的Active PCI-X(活动PCI-X)技术。活动PCI-X总线技术就为IBM提供了提升服务器总体性能的另一个解决方案。活动PCI-X的主要特性如下:
·热交换 (Hot Swap)——允许在不用关闭和重启服务器的情况下更换适配器。
·热添加(Hot add)——提供了一种容易的升级方式,允许在服务器运行的状态下添加新的适配器(在工业标准中IBM是第一个提供这种性能的)。
·切换(Failover)——允许在主适配器出现故障的情况下极快地用另一个备用适配器接替原来适配器的工作继续运行。
7. Active Diagnostics(活动诊断)技术
活动诊断是IBM企业级服务器X架构的另一个特征,这种特征将会在使用这种芯片的服务器上得到整合提供。基于在通用信息模块的分布式任务管理面,活动诊断技术允许管理员在用户在工作的时候在系统上实施诊断,所以提高了系统的开机时间,使IBM客户真正接近“永远计算”的高性能水平。这在工业服务器市场中是很少见的特性,而这个空白被IBM企业级X架构技术填补了。
IBM在1999年与Intel 、PC-Doctor公司一起努力,引入工业标准中的扩展技术到通用信息模块来支持协作诊断。这个通用诊断模块是如何通过操作系统去分界面协同诊断标准化(也称“当前操作系统诊断”,或者叫做“在线诊断”),使所有通用信息模块诊断应用常规化。因为现在诊断扩展到通用信息模块,IBM正在与独立的硬件生产厂商一起努力去重新定义这种方法,建立协同诊断的工具,以使X系列服务器永远运行。IBM活动诊断是用通用诊断模块来执行的,结合IBM的预先失效分析技术,活动诊断和热交换组件那就意味着再也不必关闭的X系列服务器去运行诊断或者更换热交换部件。活动诊断可以通过IBM Director 管理软件来提供一致的、非常容易地用管理界面来控制许多系统功能。
以上通过IBM服务器的一些特性介绍了服务器的可用性特性的实现方法,通过这些技术可以看出,服务器与我们常用的PC机之间的确存在非常大的区别。下一篇将继续介绍服务器的另两个重要特性——Managbility(可管理性)和可利用性(Availability),敬请关注。