英特爾? 至強(qiáng)? 處理器，鑄造質(zhì)量和可靠性的典范

互聯(lián)設(shè)備和云計(jì)算的高速發(fā)展推動(dòng)全球數(shù)據(jù)以指數(shù)級(jí)速度增長(zhǎng)。數(shù)據(jù)規(guī)模的不斷擴(kuò)大對(duì)產(chǎn)品和數(shù)據(jù)中心基礎(chǔ)設(shè)施的質(zhì)量、可靠性和可用性也提出了更高的要求。這里所說(shuō)的“質(zhì)量”是指系統(tǒng)在設(shè)定好的情況下能夠正確運(yùn)行；“可靠性”是指系統(tǒng)在規(guī)定時(shí)間內(nèi)、規(guī)定條件下能夠執(zhí)行所需功能；而“可用性”則指系統(tǒng)在不中斷的情況下能夠按照規(guī)格持續(xù)運(yùn)行。

英特爾一直深耕工具與方法，只為讓英特爾至強(qiáng)處理器能為客戶帶來(lái)優(yōu)質(zhì)體驗(yàn)。本文概述了英特爾至強(qiáng)處理器的生命周期，以及英特爾如何在下圖所示的以下各個(gè)開(kāi)發(fā)階段確保出色的質(zhì)量。

質(zhì)量源于設(shè)計(jì) 前期測(cè)試與擴(kuò)展測(cè)試 自信制造 客戶部署與支持

01

質(zhì)量源于設(shè)計(jì)

面向質(zhì)量的設(shè)計(jì)

英特爾在設(shè)計(jì)過(guò)程中的每一步舉措都以質(zhì)量為先。設(shè)計(jì)過(guò)程始于成體系的處理器設(shè)計(jì)方法和嚴(yán)謹(jǐn)?shù)漠a(chǎn)品定義。英特爾 至強(qiáng) 處理器的出色功能體現(xiàn)在 CPU 芯片架構(gòu)、微架構(gòu)、固件和系統(tǒng)軟件堆棧設(shè)計(jì)的方方面面。這包括在設(shè)計(jì)過(guò)程中就優(yōu)先考慮可靠性、可用性和可維護(hù)性 (RAS) 功能和方法。

服務(wù)器質(zhì)量不僅僅局限于 CPU 的構(gòu)建。整個(gè)平臺(tái)的各部分會(huì)相互作用，影響數(shù)據(jù)中心服務(wù)的連續(xù)性，最終影響客戶體驗(yàn)。例如，服務(wù)器十分依賴動(dòng)態(tài)隨機(jī)存取內(nèi)存 (DRAM)，將其作為實(shí)現(xiàn)速度和成本效益的主要內(nèi)存資源。DRAM 故障會(huì)導(dǎo)致計(jì)算錯(cuò)誤，而這種錯(cuò)誤在服務(wù)器崩潰之前很可能不會(huì)被察覺(jué)。

為了提高質(zhì)量，減少可能因內(nèi)存錯(cuò)誤而導(dǎo)致的服務(wù)器崩潰，從第三代英特爾 至強(qiáng) 處理器開(kāi)始，英特爾就實(shí)施了一系列增強(qiáng)措施。英特爾 至強(qiáng)處理器還提供獨(dú)特的 RAS 功能，通過(guò)檢測(cè)和糾正輸出數(shù)據(jù)錯(cuò)誤自動(dòng)查找和修復(fù)軟性內(nèi)存錯(cuò)誤，幫助保護(hù)數(shù)據(jù)。這方面的更多詳情，請(qǐng)參閱“Improving Server Uptime in the Data Center（延長(zhǎng)數(shù)據(jù)中心服務(wù)器的正常運(yùn)行時(shí)間）”解決方案簡(jiǎn)介。

02

前期測(cè)試與擴(kuò)展測(cè)試

邏輯驗(yàn)證

芯片的流片前驗(yàn)證是一系列工程流程，用于確定正在開(kāi)發(fā)的產(chǎn)品是否符合所需的規(guī)格。此外，流片前模擬和仿真也讓芯片實(shí)物在被制造出來(lái)之前就有機(jī)會(huì)運(yùn)行軟件和固件。這就開(kāi)啟了產(chǎn)品生命周期前期的質(zhì)量?jī)?yōu)化流程。在流片前階段，我們會(huì)用一個(gè)強(qiáng)大的測(cè)試套件對(duì)英特爾 至強(qiáng) 處理器進(jìn)行模擬測(cè)試，以便及早發(fā)現(xiàn)并解決芯片中可能存在的問(wèn)題。為了提高平臺(tái)穩(wěn)定性，我們也會(huì)使用多種環(huán)境和配置。

英特爾擁有一套定制化的機(jī)器學(xué)習(xí)技術(shù)，在流片前和流片后階段均可用于優(yōu)化模型的有限運(yùn)行時(shí)間，并突出那些難以評(píng)估的設(shè)計(jì)區(qū)域。這套技術(shù)綜合利用軟硬件反饋來(lái)指導(dǎo)測(cè)試。開(kāi)發(fā)階段的芯片測(cè)試大大降低了英特爾 至強(qiáng) 處理器整個(gè)生命周期內(nèi)的出錯(cuò)率。

平臺(tái)驗(yàn)證

組件集成到系統(tǒng)平臺(tái)中后就需要進(jìn)行驗(yàn)證，確保最終平臺(tái)的功能和性能能夠滿足用戶期望。如今的數(shù)據(jù)中心平臺(tái)集成了一套復(fù)雜的軟硬件組件，用于滿足各種不同需求，涉及從數(shù)據(jù)存儲(chǔ)到復(fù)雜人工智能 (AI) 算法等用例，需要優(yōu)秀的計(jì)算性能和高帶寬內(nèi)存來(lái)執(zhí)行高頻計(jì)算。

平臺(tái)的綜合驗(yàn)證需要協(xié)調(diào)機(jī)械、散熱、電氣和軟件各個(gè)領(lǐng)域。由于某個(gè)特定平臺(tái)是由數(shù)百個(gè)組件組成的，因此必須對(duì)每個(gè)組件（無(wú)論其成本或復(fù)雜程度如何）進(jìn)行優(yōu)化，才能確保最終平臺(tái)的高效運(yùn)行。這些組件的種類不一而足，可能是低成本的電容器，也可能是昂貴的內(nèi)存模塊。平臺(tái)驗(yàn)證的任務(wù)就是要確保所有系統(tǒng)組件都能正確地相互配合運(yùn)作，從而實(shí)現(xiàn)最初設(shè)計(jì)的功能。

平臺(tái)驗(yàn)證涉及三個(gè)主要方面： 1互操作性：確保平臺(tái)組件可無(wú)縫協(xié)作。2工作負(fù)載：使用具有代表性的客戶內(nèi)容或工作負(fù)載進(jìn)行測(cè)試。3環(huán)境：利用平臺(tái)實(shí)際運(yùn)行的環(huán)境條件開(kāi)展測(cè)試。

如果這三個(gè)主要方面的測(cè)試結(jié)果都沒(méi)有問(wèn)題，就更有助于確保平臺(tái)能提供客戶所期望的基于英特爾 至強(qiáng)處理器系統(tǒng)的性能、功能、可靠性和體驗(yàn)。

大規(guī)模集群驗(yàn)證

除了組件和平臺(tái)驗(yàn)證，還需要進(jìn)行大規(guī)模集群驗(yàn)證。這是為了模擬真實(shí)的客戶環(huán)境。英特爾使用具有代表性的工作負(fù)載來(lái)驗(yàn)證不同的客戶使用場(chǎng)景。此外，英特爾還開(kāi)發(fā)并使用設(shè)備群服務(wù)，包括升級(jí)、維護(hù)、編排、遙測(cè)和數(shù)據(jù)分析，這些與云服務(wù)提供商服務(wù)提供的服務(wù)類似。此舉有助于確?？蛻裟軌蝽樌M(jìn)英特爾 至強(qiáng) 處理器。大規(guī)模集群驗(yàn)證還有助于檢測(cè)高平均故障間隔 (MTBF) 和邊際性故障，因?yàn)檫@些故障往往難以檢測(cè)，傳統(tǒng)驗(yàn)證方法可能檢測(cè)不出。

03

自信制造

制造測(cè)試流程

英特爾在制造過(guò)程的不同階段采用了一套完整的技術(shù)，以交付可滿足嚴(yán)苛質(zhì)量和可靠性目標(biāo)的產(chǎn)品。這些階段包括： 1晶圓篩選2分級(jí)測(cè)試3系統(tǒng)測(cè)試

晶圓篩選：在將單個(gè)裸片封裝之前，我們會(huì)先對(duì)晶圓上的每個(gè)裸片進(jìn)行全面測(cè)試。這一過(guò)程中，我們會(huì)結(jié)合采用行業(yè)領(lǐng)先的嵌入式內(nèi)存測(cè)試技術(shù)、基于掃描的測(cè)試、功能測(cè)試和參數(shù)測(cè)試，從而識(shí)別和剔除有缺陷的裸片。通過(guò)用掃描測(cè)試向量輔以功能測(cè)試，可以篩查出傳統(tǒng)方法無(wú)法檢測(cè)到的細(xì)微缺陷，從而顯著提高產(chǎn)品質(zhì)量。

英特爾根據(jù)流片前指標(biāo)和流片后分析，針對(duì)制造的各個(gè)階段開(kāi)發(fā)了功能測(cè)試。我們還使用先進(jìn)的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)方法，來(lái)識(shí)別潛在或邊際性缺陷導(dǎo)致的可靠性不足的裸片。通過(guò)或是未能通過(guò)測(cè)試的裸片數(shù)據(jù)將反饋給英特爾的晶圓工廠，以改進(jìn)芯片制造工藝。

分級(jí)測(cè)試：晶圓篩選后，單個(gè)裸片接受封裝。隨后，封裝好的設(shè)備會(huì)在較高的電壓和溫度條件下承受額外的壓力測(cè)試，從而識(shí)別并淘汰在生命周期早期就可能會(huì)出現(xiàn)問(wèn)題的設(shè)備。接下來(lái)，設(shè)備將接受分級(jí)測(cè)試。在此期間，我們會(huì)在產(chǎn)品的最終使用條件下進(jìn)行全套的內(nèi)存、掃描、功能和 I/O 測(cè)試。分級(jí)測(cè)試可以確定每個(gè)設(shè)備可以運(yùn)行的工作頻率和功率等級(jí)。

系統(tǒng)測(cè)試：制造的最后一個(gè)重要步驟就是對(duì)每個(gè)設(shè)備進(jìn)行系統(tǒng)測(cè)試 (SBT)。系統(tǒng)測(cè)試期間，我們會(huì)運(yùn)行多個(gè)操作系統(tǒng)和應(yīng)用，以驗(yàn)證是否有缺陷部件在先前測(cè)試中未檢出。系統(tǒng)測(cè)試的硬件基于參考板設(shè)計(jì)，包括雙列直插式內(nèi)存模塊 (DIMM) 和一組 I/O 設(shè)備。系統(tǒng)測(cè)試期間除了使用標(biāo)準(zhǔn)工作負(fù)載，我們也會(huì)用特定測(cè)試來(lái)篩查靜默數(shù)據(jù)錯(cuò)誤 (SDE)。

系統(tǒng)測(cè)試使用的 SDE 測(cè)試可確保每臺(tái)設(shè)備執(zhí)行計(jì)算的正確性。這些測(cè)試中有許多是英特爾 Data Center Diagnostic Tool（詳見(jiàn)下文）套件中特有的。其中，有些測(cè)試會(huì)在所有處理器內(nèi)核上并行運(yùn)行相同的復(fù)雜運(yùn)算（如矩陣運(yùn)算），并在最后比較結(jié)果。有些測(cè)試則會(huì)執(zhí)行可逆操作，如加密/解密或壓縮/解壓縮，檢查結(jié)果是否與原始結(jié)果一致。大多數(shù) SDE 測(cè)試使用偽隨機(jī)數(shù)據(jù)和指令，以盡可能多地檢測(cè)出細(xì)微的、隨機(jī)的、只會(huì)以 SDE 形式表現(xiàn)出來(lái)的缺陷。

篩查靜默數(shù)據(jù)錯(cuò)誤

故障的來(lái)源多種多樣，包括輻射、老化、潛在缺陷、邏輯錯(cuò)誤，以及電路開(kāi)始制造時(shí)的邊際性問(wèn)題等。這些故障可能表現(xiàn)為意外中斷，在少數(shù)情況下也可能表現(xiàn)為 SDE。

制造缺陷導(dǎo)致的 SDE 通常很難被發(fā)現(xiàn)。數(shù)據(jù)中心基礎(chǔ)設(shè)施的大規(guī)模特性決定了 SDE 只可能在特定的電壓、頻率和溫度組合以及特定的操作順序下出現(xiàn)。因此，在設(shè)計(jì)篩查 SDE 的測(cè)試方法時(shí)，必須考慮到這種復(fù)雜情況。

如上節(jié)所述，英特爾在系統(tǒng)測(cè)試期間使用了許多測(cè)試來(lái)篩查在制造過(guò)程中表現(xiàn)為 SDE 的缺陷。英特爾已經(jīng)證明，許多表現(xiàn)為 SDE 的缺陷無(wú)法通過(guò)傳統(tǒng)的可測(cè)試性設(shè)計(jì) (DFT) 方法檢測(cè)出來(lái)。這些方法包括在晶圓篩選和分級(jí)測(cè)試中使用的基于掃描和陣列的內(nèi)建自測(cè) (BIST) 測(cè)試。而要篩出 SDE 這類重要缺陷，則需要有像英特爾Data Center Diagnostics Tool（詳見(jiàn)下文）中的具有針對(duì)性的功能測(cè)試內(nèi)容。

04

客戶部署與支持

英特爾 至強(qiáng) 處理器在制造完成并交付給客戶后，重點(diǎn)將轉(zhuǎn)移到確保高質(zhì)量的部署和產(chǎn)品支持階段。為此，英特爾提供設(shè)備群管理工具和定期固件更新。

面向客戶的優(yōu)質(zhì)工具

英特爾通過(guò)授權(quán)提供一套綜合工具，用于測(cè)試處理器錯(cuò)誤并加以糾正。英特爾自己在生產(chǎn)過(guò)程中就使用這些測(cè)試工具，同時(shí)也在英特爾網(wǎng)站上向客戶提供這些工具。客戶可將這些工具用于驗(yàn)證新設(shè)計(jì)、批量生產(chǎn)以及數(shù)據(jù)中心篩查。英特爾與客戶密切合作，了解他們的測(cè)試需求，定期更新工具，從而優(yōu)化其有效性。

以下優(yōu)質(zhì)工具可供客戶用于設(shè)備群管理：

英特爾 Data Center Diagnostic Tool (DCDiag)：英特爾獨(dú)家提供的工具。DCDiag 旨在讓客戶測(cè)試其整個(gè)設(shè)備群中的英特爾 至強(qiáng) 處理器功能，并找出可能導(dǎo)致 SDE 的潛在缺陷。該工具可作為系統(tǒng)定期維護(hù)計(jì)劃的一部分來(lái)運(yùn)行，為所測(cè)試的處理器提供易于理解的“通過(guò)/失敗”結(jié)果。這樣，客戶就能在處理器的全生命周期內(nèi)發(fā)現(xiàn)潛在故障，并迅速加以替換。

英特爾 Open Data Center Diagnostics Project (Open DCDiag)：旨在鼓勵(lì)行業(yè)開(kāi)展測(cè)試開(kāi)發(fā)協(xié)作。英特爾認(rèn)識(shí)到，業(yè)內(nèi)有許多企業(yè)和機(jī)構(gòu)正在研究如何更有效、更高效地識(shí)別處理器錯(cuò)誤。于是 英特爾建立了 Open DCDiag 這一統(tǒng)一的測(cè)試開(kāi)發(fā)框架，邀請(qǐng)開(kāi)源社區(qū)發(fā)揮創(chuàng)造力，通過(guò)開(kāi)發(fā)獨(dú)特的測(cè)試篩查方法和其他創(chuàng)新解決方案來(lái)加強(qiáng)云計(jì)算設(shè)備群的管理。該項(xiàng)目是英特爾引領(lǐng)行業(yè)、不斷提高英特爾 至強(qiáng) 平臺(tái)質(zhì)量和可靠性的一大典范。

為了盡可能減少服務(wù)器停機(jī)時(shí)間，英特爾提供了一套專有工具，使客戶能夠進(jìn)行大規(guī)模調(diào)試，并準(zhǔn)確、快速地確定問(wèn)題發(fā)生的根因。這套工具有助于進(jìn)行高效診斷，縮短調(diào)試時(shí)間，并盡快緩解影響。這套工具包括自動(dòng)崩潰轉(zhuǎn)儲(chǔ) (ACD) 和英特爾 Crash Log Technology。在設(shè)計(jì)中使用基板管理控制器 (BMC) 的客戶可以通過(guò)在其設(shè)備群中啟用 ACD 來(lái)收集調(diào)試狀態(tài)。而沒(méi)有使用 BMC 的客戶則可依靠英特爾 Crash Log Technology 來(lái)收集故障發(fā)生時(shí)的調(diào)試狀態(tài)。這些技術(shù)所抓取的調(diào)試狀態(tài)可通過(guò)崩潰轉(zhuǎn)儲(chǔ)匯總 (Crash Dump Summarizer) 工具進(jìn)行解碼和處理，從而突出故障的明確特征。在大多數(shù)情況下，這些工具都能幫助客戶找到明確的可采取的措施來(lái)解決故障問(wèn)題。

英特爾還開(kāi)發(fā)了其獨(dú)有的“現(xiàn)場(chǎng)掃描 (In-Field Scan)”功能，用于設(shè)備群內(nèi)的系統(tǒng)篩查。該功能在第四代英特爾 至強(qiáng) 可擴(kuò)展處理器上首發(fā)。此功能就像英特爾在制造過(guò)程中進(jìn)行的篩查一樣，通過(guò)發(fā)現(xiàn)潛在的處理器缺陷，幫助系統(tǒng)管理員盡可能減少對(duì)客戶運(yùn)營(yíng)的干擾?！艾F(xiàn)場(chǎng)掃描”提供的內(nèi)置測(cè)試功能有助于在運(yùn)行時(shí)以較低的開(kāi)銷在現(xiàn)場(chǎng)檢測(cè)出有缺陷的內(nèi)核，無(wú)需將處理器轉(zhuǎn)至離線狀態(tài)。

英特爾為客戶提供高級(jí)內(nèi)存測(cè)試 (AMT)，幫助提高內(nèi)存可靠性。AMT 讓客戶能夠測(cè)試 DRAM 的健康狀況，并在對(duì)終端用戶產(chǎn)生影響之前就發(fā)現(xiàn)潛在問(wèn)題。AMT 工具基于與 DRAM 制造商合作開(kāi)發(fā)的測(cè)試算法，可識(shí)別潛在的內(nèi)存錯(cuò)誤，從而改進(jìn)客戶的生產(chǎn)。

高質(zhì)量的固件

固件是一種直接內(nèi)嵌在硬件中使其按照預(yù)期運(yùn)行的軟件，充當(dāng)平臺(tái)上運(yùn)行的硬件和軟件之間的橋梁。高質(zhì)量、可更新的固件對(duì)平臺(tái)的可靠性和安全性至關(guān)重要。英特爾通過(guò)英特爾平臺(tái)更新 (IPU) 流程定期發(fā)布固件更新。在平臺(tái)的整個(gè)生命周期內(nèi)更新固件有助于客戶進(jìn)行長(zhǎng)期的設(shè)備群管理。

由于硬件、固件和軟件的集成特性，產(chǎn)品更新可能需要英特爾合作伙伴生態(tài)系統(tǒng)的額外驗(yàn)證和集成。IPU流程促進(jìn)了生態(tài)系統(tǒng)的協(xié)調(diào)，使英特爾的生態(tài)系統(tǒng)合作伙伴能夠發(fā)布經(jīng)過(guò)驗(yàn)證的更新。這些合作伙伴包括操作系統(tǒng)供應(yīng)商、云服務(wù)提供商、獨(dú)立固件供應(yīng)商、原始設(shè)備制造商和系統(tǒng)集成商等——每個(gè)合作伙伴都可向客戶發(fā)布經(jīng)過(guò)驗(yàn)證的更新。

為了解決固件更新相關(guān)的潛在挑戰(zhàn)，英特爾推出了“無(wú)縫更新 (Seamless Update)”功能，可減少平臺(tái)固件更新所需的系統(tǒng)重啟次數(shù)。為此，它采用了系統(tǒng)管理模式、統(tǒng)一的可擴(kuò)展固件接口運(yùn)行時(shí)服務(wù)，以及高級(jí)配置和電源接口服務(wù)。英特爾還在努力通過(guò)可在系統(tǒng)運(yùn)行時(shí)加載的微代碼更新盡可能減輕更新影響，避免重啟。

結(jié) 論

質(zhì)量和可靠性仍然是英特爾數(shù)據(jù)中心客戶的重要考慮因素，在全球數(shù)據(jù)和計(jì)算需求不斷增長(zhǎng)的背景下更是如此。本文重點(diǎn)介紹了英特爾在整個(gè)生命周期各個(gè)階段對(duì)質(zhì)量的重視，包括：

質(zhì)量源于設(shè)計(jì)：優(yōu)先考慮 RAS 功能。 前期測(cè)試與擴(kuò)展測(cè)試：開(kāi)展廣泛的邏輯、平臺(tái)和大規(guī)模集群驗(yàn)證。 自信制造：通過(guò)晶圓篩選、分級(jí)測(cè)試和系統(tǒng)測(cè)試篩查缺陷。 客戶部署與支持：提供 DCDiag、特有的設(shè)備群管理工具和 IPU 流程。

作為一家整合設(shè)備制造商 (IDM)，英特爾擁有廣闊的行業(yè)視野，能夠更好地理解和預(yù)測(cè)未來(lái)的質(zhì)量挑戰(zhàn)。我們?cè)谟⑻貭栔翉?qiáng)處理器生命周期的每個(gè)階段都采取了端到端質(zhì)量?jī)?yōu)化措施，盡可能提高產(chǎn)品質(zhì)量和可靠性。英特爾期待繼續(xù)與客戶合作，滿足數(shù)據(jù)中心嚴(yán)苛的質(zhì)量要求。