CPU 不可靠了？Google：晶片愈做愈小，反而讓 CPU 運算錯誤難以預測
https://buzzorange.com/techorange/2021/06/18/small-chip-cause-cpu-error/
作者：新智元
Google 正在警惕一件事情，那就是：電腦晶片已經發展到不再可靠的地步，並且可能無
法以可預測的方式執行運算。
但並不是說它們曾經完全可靠。
實際上，CPU 錯誤的存在時間與 CPU 本身一樣長。錯誤不僅產生於設計上的疏忽，也產
生於環境條件和產生故障的物理系統故障。
但是這些錯誤已經趨於罕見，只有最敏感的運算才會受到廣泛的核查。如果系統看起來像
預期的那樣運行。大多數情況下，電腦晶片被視為值得信賴的。
Google：晶片縮小可能是 CPU 錯誤無法預測的根本原因
Google 工程師 Peter Hochschild 在本週作為操作系統熱點話題（HotOS）2021 會議的
一部分發佈的影片中說：「我們的冒險，開始於生產團隊越來越多地抱怨慣犯機器破壞數
據。」
「這些機器被可靠地指控破壞了多個不同的、穩定的、經過調試的大規模應用程式。每台
機器都被獨立的團隊反覆指控，但傳統的診斷方法沒有發現它們有任何問題。」
在更深入地研究相關程式碼和來自他們機器的操作遙測數據後，Google 工程師開始懷疑
他們的硬體有問題。他們的調查發現，硬體錯誤的發生率比預期的要高，而且這些問題在
安裝後很久才零星出現，而且是在特定的、單獨的 CPU 核心上，而不是在整個晶片或部
件家族上。
Google 的研究人員在研究這些無聲的破壞性執行錯誤（CEEs）後得出結論：「易變的內
核（mercurial core）」是罪魁禍首——CPU 在不同情況下偶爾會計算錯誤，其方式無法
預測。
這些錯誤不是晶片架構設計失誤的結果，也不是在製造測試中檢測出來的。相反，
Google 工程師推斷，這些錯誤的出現是因為我們已經將半導體製造推到了一個故障越來
越頻繁的地步，而我們缺乏提前識別它們的工具。
在一篇題為「不算數的內核」（Cores that don’t count）的論文中，Hochschild 及其
同事列舉了電腦內核不可靠的幾個看似合理的原因，包括使罕見問題更加明顯的大型伺服
器群、對整體可靠性的關注增加，以及減少軟體錯誤率的軟體開發改進。
「但我們認為有一個更根本的原因：越來越小的特徵尺寸使其更接近 CMOS 的擴展極限，
再加上架構設計的複雜性不斷增加。」研究人員指出，現有的驗證方法不適合發現零星出
現的缺陷或部署後物理惡化的結果。
Facebook 也發現 CPU 的運算錯誤
今年 2 月，Facebook 發表了一篇相關的論文「規模化的無聲數據破壞」（Silent Data
Corruption at Scale），其中指出：『無聲數據破壞正在成為數據中心中比以前觀察到
的更常見的現象。」
該論文提出了緩解策略，但沒有解決根本原因。
在 Google 的研究人員看來，Facebook 發現了一個不可靠核心的症狀——無聲的數據損
壞。但確定問題的原因，並提出修復方法，將需要進一步的工作。
行為不端的內核所帶來的風險不僅包括崩潰（現有的錯誤處理的故障停止模型可以適應）
，還包括不正確的運算和數據丟失，這可能會被忽視，並在規模上構成特殊的風險。
「我們的一個易變的內核破壞了加密，」他解釋說，「它是以這樣一種方式做到的，即只
有它能解密它錯誤加密的內容。」
Google 的研究人員以「商業原因」為由拒絶透露其數據中心檢測到的 CEE 率，儘管他們
提供了一個大致的數字，「每幾千台機器有幾個易變的內核– 與 Facebook 報告的比率
相似。」
理想情況下，Google 希望看到自動化的方法來識別易變的內核，並建議在整個晶片的生
命週期內進行 CPU 測試，而不是只在部署前依賴燒機測試。
這家公司目前依靠的是人類驅動的內核完整性審訊，這不是特別準確，因為識別可疑內核
的工具和技術仍在進行中。