SRAM 存儲(chǔ)的容錯(cuò)設(shè)計(jì)和可靠性評(píng)估研究?

程振洪 阮 航 熊庭剛

（武漢數(shù)字工程研究所 武漢 430205）

1 引言

計(jì)算機(jī)系統(tǒng)離不開(kāi)存儲(chǔ)設(shè)備支持，惡劣環(huán)境中的存儲(chǔ)設(shè)備的存儲(chǔ)性能易受影響甚至引發(fā)故障，直接導(dǎo)致計(jì)算機(jī)系統(tǒng)的崩潰。據(jù)統(tǒng)計(jì)，80%以上的系統(tǒng)崩潰問(wèn)題均由存儲(chǔ)設(shè)備數(shù)據(jù)錯(cuò)誤引起。近年來(lái)針對(duì)糾錯(cuò)碼的研究推動(dòng)了存儲(chǔ)容錯(cuò)進(jìn)程［1］。文獻(xiàn)［2］針對(duì)硬件實(shí)現(xiàn)糾一檢二的編碼用于內(nèi)存保護(hù)時(shí)糾錯(cuò)能力有限的問(wèn)題，提出了一種軟硬件協(xié)同的EDAC（error detection and correction）檢錯(cuò)糾錯(cuò)方法。在硬件對(duì)水平方向的每個(gè)字進(jìn)行糾一檢二編碼的基礎(chǔ)上，該方法在軟件上對(duì)垂直方向的每個(gè)位片進(jìn)行奇偶編碼，并通過(guò)軟硬協(xié)同方式發(fā)現(xiàn)并糾正內(nèi)存位翻轉(zhuǎn)錯(cuò)誤。該方法無(wú)需增加額外硬件開(kāi)銷，相比純硬件EDAC 的可靠性有一定提高，不足之處是系統(tǒng)性能的開(kāi)銷有所增加。漢明糾錯(cuò)編碼在硬件容錯(cuò)方向應(yīng)用廣泛，如文獻(xiàn)［3］提出一種基于［12，8］拓展?jié)h明編碼［4］的AES（Advanced Encryption Standard）硬件容錯(cuò)設(shè)計(jì)方法。文獻(xiàn)［5］基于一套ECC加固的SRAM 可靠性評(píng)估體系，采用廣泛應(yīng)用的MTTF（平均無(wú)故障失效時(shí)間）作為可靠性依據(jù)。文獻(xiàn)［6］提出了基于閃存錯(cuò)誤特征的聯(lián)合譯碼策略，并研究了面向閃存系統(tǒng)的多進(jìn)制LDPC 碼。文獻(xiàn)［7］針對(duì)內(nèi)存單粒子翻轉(zhuǎn)問(wèn)題采用SEC-DED編碼進(jìn)行糾錯(cuò)。文獻(xiàn)［8］用軟件實(shí)現(xiàn)SEC-DED 編碼，盡管多位錯(cuò)誤翻轉(zhuǎn)出現(xiàn)概率不大，但仍是該可靠計(jì)算機(jī)設(shè)計(jì)不得不考慮的問(wèn)題。除了存儲(chǔ)器本身出現(xiàn)的數(shù)據(jù)錯(cuò)誤外，數(shù)據(jù)在片外傳輸通道上的信號(hào)衰變和損耗也會(huì)導(dǎo)致錯(cuò)誤發(fā)生，故設(shè)計(jì)合適的糾錯(cuò)編碼保證傳輸質(zhì)量十分重要［9］。另外，NAND 閃存的糾錯(cuò)工作也是近年的研究熱點(diǎn)，多種編碼得到應(yīng)用，如二維漢明編碼［10］，QC-LDPC碼［11］，RS碼［12］。其他應(yīng)用場(chǎng)景，如存儲(chǔ)系統(tǒng)芯片級(jí)容錯(cuò)［13］、光存儲(chǔ)糾錯(cuò)［14］、云存儲(chǔ)容錯(cuò)［15］也有研究。

采用軟件或者軟硬件結(jié)合的糾錯(cuò)技術(shù)雖然能夠一定程度上滿足糾錯(cuò)需求，但存在數(shù)據(jù)糾正效率較低，難以解決內(nèi)存在連續(xù)訪問(wèn)模式下的數(shù)據(jù)糾錯(cuò)問(wèn)題，另外當(dāng)前涉及鏡像存儲(chǔ)結(jié)構(gòu)的可靠性研究十分稀少，本文針對(duì)此情況展開(kāi)研究。

2 SRAM存儲(chǔ)容錯(cuò)硬件設(shè)計(jì)

本文的SRAM 存儲(chǔ)容錯(cuò)方案在硬件上采用鏡像內(nèi)存結(jié)構(gòu)。鏡像內(nèi)存采用兩片物理特性相同的內(nèi)存，通過(guò)添加額外的特殊控制電路，使得內(nèi)存的寫(xiě)操作得以同時(shí)進(jìn)入兩片內(nèi)存。當(dāng)錯(cuò)誤發(fā)生時(shí)，可以快速切換至備份內(nèi)存總進(jìn)行讀寫(xiě)操作。鏡像內(nèi)存通過(guò)內(nèi)存熱插拔技術(shù)，即使內(nèi)存出現(xiàn)物理性的永久損壞，也可以在系統(tǒng)運(yùn)行時(shí)替換內(nèi)存。執(zhí)行替換后，再通過(guò)內(nèi)存間拷貝的方式，迅速?gòu)膫浞輧?nèi)存中恢復(fù)有效，提高內(nèi)存系統(tǒng)的可靠性，從而達(dá)到延長(zhǎng)系統(tǒng)無(wú)故障運(yùn)行時(shí)間的目的。本文所采用的鏡像內(nèi)存系統(tǒng)原理框圖如圖1所示。

圖1 原理框圖中兩套物理上獨(dú)立的CPU 總線分別與存儲(chǔ)模塊A、B 連接，用于傳遞CPU 的讀寫(xiě)事務(wù)和內(nèi)存反饋的數(shù)據(jù)信息?？偩€協(xié)議解析/封裝模塊起到兩個(gè)作用：1）從CPU總線解析得到內(nèi)存訪問(wèn)的類型、類型、數(shù)據(jù)信息；2）將讀取的內(nèi)存數(shù)據(jù)封裝成CPU 總線的協(xié)議。ECC 編碼模塊將CPU 總線寫(xiě)入內(nèi)存的原始數(shù)據(jù)進(jìn)行ECC編碼處理，在其后添加校驗(yàn)碼字段，形成ECC編碼字段。ECC解碼模塊將從內(nèi)存讀出的ECC編碼數(shù)據(jù)進(jìn)行解碼，解碼過(guò)程中按照ECC 規(guī)則進(jìn)行，如果數(shù)據(jù)校驗(yàn)不通過(guò)，則在ECC 的糾錯(cuò)能力范圍內(nèi)對(duì)錯(cuò)誤數(shù)據(jù)位進(jìn)行糾正。如果錯(cuò)誤個(gè)數(shù)超出糾錯(cuò)能力范圍，就通告總線協(xié)議解析模塊，將錯(cuò)誤信息反饋至CPU總線。內(nèi)存分兩部分：一部分是數(shù)據(jù)存儲(chǔ)顆粒，用于存儲(chǔ)數(shù)據(jù)，即ECC 的信息碼；另一部分是校驗(yàn)碼存儲(chǔ)顆粒，用于存放校驗(yàn)數(shù)據(jù)，即ECC的校驗(yàn)碼。

圖1 鏡像內(nèi)存系統(tǒng)原理框圖

板間修復(fù)控制器用于應(yīng)對(duì)ECC 解碼模塊檢出數(shù)據(jù)錯(cuò)誤，但無(wú)法將錯(cuò)誤糾正的情況。一旦出現(xiàn)ECC解碼模塊不能糾正的錯(cuò)誤，ECC解碼模塊通告板間修復(fù)控制器，板間修復(fù)控制器向另一存儲(chǔ)模塊發(fā)出修復(fù)請(qǐng)求，獲取相應(yīng)數(shù)據(jù)單元的正確數(shù)據(jù)。在獲取正確數(shù)據(jù)后，正確數(shù)據(jù)和其校驗(yàn)碼將被存儲(chǔ)控制器重新寫(xiě)入原出錯(cuò)單元，完成覆蓋和糾正。

對(duì)于圖1 鏡像內(nèi)存系統(tǒng)，當(dāng)內(nèi)存數(shù)據(jù)讀出時(shí)，ECC 解碼模塊會(huì)存在兩種可能性：第一種情況，數(shù)據(jù)位翻轉(zhuǎn)導(dǎo)致的錯(cuò)誤在糾錯(cuò)碼的糾錯(cuò)能力范圍內(nèi)，ECC解碼模塊可以糾正這類錯(cuò)誤，并獲得正確的譯碼后數(shù)據(jù)交給總線協(xié)議封裝模塊進(jìn)行封裝；第二種情況，數(shù)據(jù)位翻轉(zhuǎn)導(dǎo)致的錯(cuò)誤超出糾錯(cuò)碼的糾錯(cuò)能力范圍。此時(shí)，ECC 解碼模塊可能檢測(cè)到這類錯(cuò)誤，并將這一錯(cuò)誤通過(guò)信號(hào)傳遞給板間修復(fù)控制器。通過(guò)板間修復(fù)控制器，正確數(shù)據(jù)可以通過(guò)請(qǐng)求和應(yīng)答的握手方式由存儲(chǔ)模塊間的數(shù)據(jù)通道傳遞，完成對(duì)糾錯(cuò)碼不可糾正錯(cuò)誤的糾正工作。

3 SRAM存儲(chǔ)容錯(cuò)邏輯設(shè)計(jì)

3.1 存儲(chǔ)容錯(cuò)邏輯頂層設(shè)計(jì)

根據(jù)圖1 所述鏡像內(nèi)存系統(tǒng)原理框圖，并結(jié)合自頂而下的數(shù)字邏輯設(shè)計(jì)思想，本文設(shè)計(jì)了如圖2所示的鏡像內(nèi)存系統(tǒng)邏輯頂層。

圖2 用于鏡像內(nèi)存的糾錯(cuò)系統(tǒng)具有數(shù)據(jù)/地址總線、存儲(chǔ)模塊A、存儲(chǔ)模塊B，其中存儲(chǔ)模塊A 與存儲(chǔ)模塊B 具有相同的內(nèi)部結(jié)構(gòu)，形成冗余關(guān)系。訪問(wèn)類型指定內(nèi)存存儲(chǔ)陣列的訪問(wèn)模式，如單次寫(xiě)、單次讀、突發(fā)寫(xiě)、突發(fā)讀；原始數(shù)據(jù)指定即將寫(xiě)入內(nèi)存的數(shù)據(jù)流；無(wú)誤讀出數(shù)據(jù)指定從內(nèi)存單元讀出的經(jīng)過(guò)糾錯(cuò)處理的正確數(shù)據(jù)流；交錯(cuò)通道A-B與交錯(cuò)通道B-A 實(shí)現(xiàn)存儲(chǔ)模塊A 與存儲(chǔ)模塊B 間的錯(cuò)誤信息和正確數(shù)據(jù)片段的實(shí)時(shí)交換。另外，存儲(chǔ)模塊A與B結(jié)構(gòu)相同，可以替換使用。

圖2 鏡像內(nèi)存系統(tǒng)邏輯頂層

事件/數(shù)據(jù)緩沖單元實(shí)現(xiàn)了對(duì)訪問(wèn)類型和原始數(shù)據(jù)的忙時(shí)緩沖和閑時(shí)釋放功能。當(dāng)糾錯(cuò)控制核心處于數(shù)據(jù)糾錯(cuò)、恢復(fù)的繁忙狀態(tài)時(shí)，事件/數(shù)據(jù)緩沖單元分別將訪問(wèn)類型和原始數(shù)據(jù)緩存到一級(jí)事件緩存和一級(jí)數(shù)據(jù)緩存中。當(dāng)糾錯(cuò)控制核心完成糾錯(cuò)控制過(guò)程，只要一級(jí)事件緩存或一級(jí)數(shù)據(jù)緩存非空，則打開(kāi)緩存使能，選擇器將選擇緩存類型和緩存數(shù)據(jù)分別作為事件輸入和寫(xiě)入數(shù)據(jù)進(jìn)行輸出，從而提高下一個(gè)內(nèi)存訪問(wèn)事務(wù)的處理速度。另外，如果糾錯(cuò)控制核心空閑時(shí)這兩個(gè)一級(jí)緩存為空，則選擇器選擇訪問(wèn)類型和原始數(shù)據(jù)作為事件輸入和寫(xiě)入數(shù)據(jù)，從而達(dá)到減少內(nèi)存訪問(wèn)的延遲，提高內(nèi)存響應(yīng)速度的效果。

編碼觸發(fā)單元實(shí)現(xiàn)了對(duì)不同訪問(wèn)類型的編碼和觸發(fā)功能。它的輸入為事件輸入，來(lái)自事件/數(shù)據(jù)緩沖單元。它的輸出為事件編碼，連至糾錯(cuò)控制核心。ECC 編碼/譯碼單元實(shí)現(xiàn)對(duì)寫(xiě)入數(shù)據(jù)的糾錯(cuò)編碼和內(nèi)存讀出數(shù)據(jù)的糾錯(cuò)譯碼。它的寫(xiě)入數(shù)據(jù)來(lái)自事件/數(shù)據(jù)緩沖單元，即待編碼數(shù)據(jù)，由它輸出的編碼數(shù)據(jù)連接數(shù)據(jù)修復(fù)存儲(chǔ)控制器及存儲(chǔ)陣列，是通過(guò)糾錯(cuò)編碼處理后的結(jié)果。糾錯(cuò)譯碼過(guò)程相反，待譯碼數(shù)據(jù)來(lái)自數(shù)據(jù)修復(fù)存儲(chǔ)控制器及存儲(chǔ)陣列，經(jīng)過(guò)ECC 編碼/譯碼單元譯碼后輸出譯碼結(jié)果交給糾錯(cuò)控制核心處理。交錯(cuò)修復(fù)單元實(shí)現(xiàn)存儲(chǔ)模塊間的錯(cuò)誤字節(jié)碼、正確字節(jié)段的交換和數(shù)據(jù)修復(fù)功能的輔助功能。

司大愣子媳婦遇見(jiàn)我，悄悄地說(shuō)：“嫂子我是過(guò)來(lái)人，你呀，還是離別呦呦遠(yuǎn)點(diǎn)，她是妖精，你小小年紀(jì)，別被她吸干了?！?/p>

3.2 糾錯(cuò)控制核心設(shè)計(jì)

圖2 中糾錯(cuò)控制核心采用狀態(tài)機(jī)設(shè)計(jì)實(shí)現(xiàn)。該狀態(tài)機(jī)在多個(gè)外部輸入條件的變化下，在不同的狀態(tài)間進(jìn)行跳轉(zhuǎn)，并控制內(nèi)存控制器進(jìn)行各種操作，如內(nèi)存單次寫(xiě)、內(nèi)存單次讀、內(nèi)存burst 讀。糾錯(cuò)控制核心中重要的功能是多個(gè)出錯(cuò)狀態(tài)的檢測(cè)和對(duì)應(yīng)的糾錯(cuò)控制狀態(tài)。為了使糾錯(cuò)控制的過(guò)程更加明白清晰，在此使用圖3 糾錯(cuò)控制核心狀態(tài)機(jī)流程圖進(jìn)行解釋。

圖3 糾錯(cuò)控制核心狀態(tài)機(jī)流程圖

糾錯(cuò)控制核心狀態(tài)機(jī)的行為如下。

在IDLE 狀態(tài)下，等待各種類型內(nèi)存訪問(wèn)事件的觸發(fā)。在WRITE狀態(tài)下，進(jìn)行單次/突發(fā)寫(xiě)控制，指示內(nèi)存控制器將編碼數(shù)據(jù)寫(xiě)入存儲(chǔ)陣列。在SINGLE_READ狀態(tài)下，進(jìn)行內(nèi)存單次讀控制，指示內(nèi)存控制器將待譯碼數(shù)據(jù)從存儲(chǔ)陣列讀出。在ECC_CHECK 狀態(tài)下，單次檢查ECC 譯碼單元輸出的錯(cuò)誤字節(jié)碼。在LOCAL_FIX 狀態(tài)下，控制本模塊內(nèi)存數(shù)據(jù)修復(fù)過(guò)程，修復(fù)數(shù)據(jù)來(lái)自與之通過(guò)交錯(cuò)通道連接的另一存儲(chǔ)模塊。在OTHER_FIX 狀態(tài)下，將本模塊譯碼數(shù)據(jù)通過(guò)交錯(cuò)通道交給與之連接的另一存儲(chǔ)模塊，以滿足其他存儲(chǔ)模塊數(shù)據(jù)修復(fù)需求。在BURST_READ 狀態(tài)下，進(jìn)行內(nèi)存突發(fā)讀，按照設(shè)定的突發(fā)長(zhǎng)度管理內(nèi)存控制器從存儲(chǔ)陣列中連續(xù)讀數(shù)。在BURST_CHECK 狀態(tài)下，連續(xù)檢查ECC 譯碼單元輸出的錯(cuò)誤字節(jié)碼。在BURST_FIX狀態(tài)下，控制交錯(cuò)修復(fù)單元在兩個(gè)存儲(chǔ)模塊間交換錯(cuò)誤字節(jié)碼，并將對(duì)方錯(cuò)誤字節(jié)碼對(duì)應(yīng)所需的正確字節(jié)片段進(jìn)行互換，最后在各自存儲(chǔ)模塊通過(guò)內(nèi)存控制器寫(xiě)入修復(fù)數(shù)據(jù)完成數(shù)據(jù)修復(fù)。

4 SRAM存儲(chǔ)容錯(cuò)可靠性評(píng)估

為了提高系統(tǒng)存儲(chǔ)的可靠性，針對(duì)每個(gè)字節(jié)增加了5位監(jiān)督碼元，構(gòu)成了13位的漢明編碼。漢明編碼可以糾正存儲(chǔ)字最多出現(xiàn)1 位錯(cuò)誤，同時(shí)可以檢出2 位錯(cuò)誤，即俗稱的“糾一檢二”。令p 為單個(gè)位出錯(cuò)概率，并假設(shè)各個(gè)位的故障是獨(dú)立的，提供了系統(tǒng)可靠性的上界。在這種情況下，可以容忍每個(gè)字一個(gè)故障。通過(guò)排列組合可以得到無(wú)錯(cuò)誤概率Pno_error，一位錯(cuò)誤概率Pone_error，兩位錯(cuò)誤概率Ptwo_error，如下所示。

通過(guò)漢明編碼提高存儲(chǔ)可靠性的原理可以通過(guò)以下公式證明：

這表明，通過(guò)向1 字節(jié)增加5 位監(jiān)督碼元構(gòu)成的漢明編碼比無(wú)糾錯(cuò)編碼的原始字節(jié)數(shù)據(jù)的正確概率高。若系統(tǒng)使用的存儲(chǔ)為16MB（含監(jiān)督碼元）的靜態(tài)存儲(chǔ)器，根據(jù)《電子設(shè)備可靠性預(yù)計(jì)手冊(cè)》，查表可得該靜態(tài)存儲(chǔ)器的整體失效率：

現(xiàn)在需要根據(jù)整體失效率得到單bit 失效率，根據(jù)單bit 失效率繼續(xù)求得無(wú)錯(cuò)、單錯(cuò)、雙錯(cuò)概率，繼而得出ECC 功能下的存儲(chǔ)失效率。根據(jù)統(tǒng)計(jì)規(guī)律，充分的數(shù)據(jù)表明，整個(gè)芯片失效這一方式對(duì)大部分芯片來(lái)說(shuō)不是主要失效方式，個(gè)別位、行、列失效才是導(dǎo)致芯片失效的主要原因，因此有理由使用單個(gè)位失效模型SBFM（Single Bit Failure Mode）進(jìn)行存儲(chǔ)失效性分析。該模型假設(shè)單個(gè)位的失效是獨(dú)立事件，并且每個(gè)位單元都遵循指數(shù)失效規(guī)律，其失效率為λb，可靠度函數(shù)為Rb( )t ，每n個(gè)位組成一個(gè)字，存儲(chǔ)器一共有w 字。根據(jù)可靠性函數(shù)與MTTF的關(guān)系：

即：

經(jīng)過(guò)整理，得到：

為了在系統(tǒng)可靠性模型分析中使用單存儲(chǔ)模型失效率參數(shù)λsingle和雙存儲(chǔ)模型的失效率參數(shù)λdouble，必須分情況求解存儲(chǔ)器的整體失效率。單存儲(chǔ)模型和鏡像存儲(chǔ)模型下的失效率：

在式（13）中，有：

在式（12）與式（13）中，n為13，w是存儲(chǔ)器總字?jǐn)?shù)，經(jīng)計(jì)算得到：

根據(jù)式（12）與式（13）計(jì)算所得結(jié)果，證實(shí)本文采用的SRAM 容錯(cuò)存儲(chǔ)方法在可靠性方面較未采用ECC 和存儲(chǔ)鏡像技術(shù)的方案均有明顯提升。其中，含ECC 的單存儲(chǔ)模型可靠性提高了大約22 倍，而鏡像存儲(chǔ)模型則比單存儲(chǔ)模型的可靠性高三個(gè)數(shù)量級(jí)。

5 結(jié)語(yǔ)

針對(duì)SRAM 的數(shù)據(jù)糾錯(cuò)問(wèn)題，本文提出一種基于漢明編碼的鏡像存儲(chǔ)糾錯(cuò)方法，在漢明編碼提供每個(gè)字節(jié)可糾正一位錯(cuò)誤的基礎(chǔ)上，利用兩個(gè)SRAM 存儲(chǔ)間數(shù)據(jù)片段共享的特征，建立數(shù)據(jù)交換信道，從而提高了糾錯(cuò)能力的提高。理論分析也表明，該方法較未采用ECC和存儲(chǔ)鏡像技術(shù)的方案均有明顯提升。今后的工作可以進(jìn)一步研究存儲(chǔ)數(shù)據(jù)恢復(fù)技術(shù)對(duì)于可靠性的影響，用馬爾可夫建模方法評(píng)估分析，并用實(shí)驗(yàn)方法對(duì)可靠性進(jìn)行驗(yàn)證。