软件定义的“可靠性”到底可不可靠？信服云的ECC机制了解一下

服务器宕机可能是很多运维工程师最可怕的噩梦。谷歌的一项研究表明：大多数死机故障是由内存问题而引起的，而且每年有1/3的谷歌服务器都会出现可纠正的内存故障，而有1/100的谷歌服务器会出现不可纠正的内存故障，后者是造成系统宕机的典型情况之一。

如果有人说，用软件的方式，可以解决硬件的内存问题，还能减少30%的服务器宕机故障，你觉得可靠吗？

当前的数据中心已经走向软件定义的时代，从最初的软件定义网络SDN到软件定义数据中心SDDC。为了防止服务器宕机的意外发生，越来越多的企业开始考虑软件定义的解决方案，并通过软件定义的可靠性屏蔽服务器、内存等硬件故障带来的影响。

那么软件是如何实现对内存以及服务器可用性的提升呢？

基于MCA的内存ECC技术

内存故障非常多，就看系统能不能识别出来，有些故障是内存单个或多个bit字节故障，有些是内存颗粒故障，有些是内存颗粒上的单行或单列的存储单元出现故障，还有firmware故障、内存控制器故障，还有一些是内存金手指焊接点老化、主板上的内存插槽松动或有灰尘等等。

器件质量类的故障只能通过工艺的改进来解决，而信服云要解决的是软件层面可以控制的bit级故障。往往大故障来自于所谓bit级小故障的持续积累，这时要做的就是“防微杜渐” ，在小故障发生的时候就抓住它、，隔离它，避免影响扩大。

Intel有一种机制叫做MCA（Machine Check Architectu