企业级内存条的Memory ECC

我们今天来简单讨论一下企业级内存条的Memory ECC。

图 （1）

图（1）是一个带有ECC的RDIMM，图中我们已经将各个组件和关键的金手指信号区域标示出来。首先，我们来认识一下这几个关键词： Device：内存颗粒，根据其存放内容不同，又分为数据颗粒和ECC颗粒。通常有X4，X8和X16，代表每个颗粒对外的数据线路是4 lane，8 lane和16 lane。

Channel：一个Channel由一个或者多个Rank组成，其宽度由控制器决定。当前主流的个人电脑和服务器中，一个Channel的宽度为64bit，可根据内存控制器是否支持ECC而扩展额外的8bit。也就是说如果不支持ECC的Channel，其宽度为64bit，而支持ECC的Channel，其宽度为72bit。市面上两种内存条都有销售。

Rank：一个Channel里面，同一个CS（Chip Select）信号选中的所有Device就是一个Rank。同一个Rank中所有的Device共用命令，地址和控制信号。拿读操作举例，内存控制器发起的一个读操作，其实将作用于该Channel的某个Rank中所有的Device。所有Device的数据线共同输出达到内存控制器所需的宽度。例如，采用X4的颗粒，组成不带ECC功能的一个Rank则需要64/4 = 16个X4的Device。大家可以计算一下如果采用X8或者X16宽度的颗粒，需要多少个呢？

注：本文我们将主要以X4的Device来讨论

注：X16的颗粒一般不被用来组成带ECC的Rank

Cacheline：Cacheline通常是指是处理器中Cache Unit（缓存模块）缓存一笔数据的标准大小。根据处理器的不同，Cacheline的大小是不一样的。当前主流的个人电脑和服务器中，Cacheline的大小为64 Byte。为了设计方便，处理器内部搬运可被缓存的数据也采用同样的大小64B。为了满足该需求，一个Rank被设计成了64bit的数据位宽，而JEDEC（DDR标准组织）设计了burst传输。一个Burst的长度可以是8，从而一次读操作，可以让颗粒一次吐出8笔数据。从而达到64bit X 8 = 64B的大小。具体参考图（2）。

图（2）

CE(CorrectableError)：可纠正错误是指硬件（芯片）可以直接纠正的错误。由于内存控制器设计不一样，对于可纠正错误的能力可能存在不同。例如，主流x86服务器的内存控制器（支持带ECC的内存条），在一次读操作中，一个X4宽度的Device内的任意错误都是可纠正的，包括ECC的Device。如果Rank是X8宽度的Device组成，其纠正能力还是与X4的Device宽度及位置保持一致。在X8的一个Device中，只有DQ0-3，或者DQ4-7可以被纠正。如果是DQ2-5，虽然是X4宽度但位置与X4时不对应，也无法纠正。

注：DQ0即D0，或者D0_0，DQ63则是D63，或者D15_3

UCE(Uncorrectable Error):不可纠正错误是指硬件（芯片）无法直接纠正的错误。例如，在一次读操作中，错误数据位分布在不同X4的Device范围，以现有内存控制设计来看，属于不可纠正错误。

下面我们简单介绍一下内存控制器是如何侦错和纠错的。由于ECC具体算法属于各家的IP，这里介绍的方法只是帮助大家理解该功能。首先，内存控制器能够纠错，就必须先能发现错误。如果每次消费的数据大小是64B，在不增加额外信息的情况下，我们是无法知道该数据是否有改变的，因为64B的数据可以是任何01的组合，即任意数据都是合法的。另一方面，额外的信息需要额外的存储，从成本考虑，这额外信息应该越小越好。JEDEC组织提出增加额外8 x 8 = 64bit的数据来帮助一个64B的数据完成ECC。 从物理角度看，一个X4 Device组成的Rank将会增加两个Device用于ECC。一种可行的做法是，其中一个Device负责存放CRC（Cyclic Redundancy Check）校验信息用于侦错，另一个Device负责存放奇偶校验信息（Parity），配合纠正错误。

Parity：Parity基本功能是发现保护数据中是否有bit翻转。保护方法是统计保护数据中1的个数，如果是偶校验，当保护数据中1的个数是偶数时，Parity为0，否则为1，所以Parity只需要一个bit就能发现保护数据中是否有一个bit的数据翻转（0到1或者1到0）。当然对于奇数个bit都有一样的检测效果。但当偶数bit翻转的时候，Parity将无法知道。在了解了Parity基本功能后，我们来看看内存控制器是如何计算Parity并存放的。如图（3）所示。

图（3）

Burst传输中每一笔64bit数据，4bit Parity和4bit CRC的具体对应关系如下： P0=D0_0+D1_0+D2_0+…D15_0+C0 P1=D0_1+D1_1+D2_1+…D15_1+C1 P2=D0_2+D1_2+D2_2+…D15_2+C2 P3=D0_3+D1_3+D2_3+…D15_3 +C3

注：D15_3为Device15的DQ3信号，从Rank角度看，为图中的D63

假设Device 2 在Burst的第三笔数据中有bit翻转，则无论是D2_0, D2_1, D2_2, D2_3 或者都错了，请参考图（4），我们都可以通过Parity bits反算回来，前提是burst的第三笔数据中其他Device没有出现错误。具体计算如下：

D2_0=P0(-)(D0_0+D1_0+D3_0…D15_0+C0)

D2_1=P1(-)(D0_1+D1_1+D3_1…D15_1+C1)

D2_2=P2(-)(D0_2+D1_2+D3_2…D15_2+C2)

D2_3=P3(-)(D0_3+D1_3+D3_3…D15_3+C3)

图（4)

CRC:我们怎样知道读取的Cacheline数据是正确的还是错误的？这里将会用到CRC来进行校验。一种比较简单的校验方式就是除法。我们设计一个除数，让被保护数据（被除数）去除以这个除数，然后会得到商和余数。通常余数比设计的除数要小。在存储一个Cacheline大小数据到内存条上的时候，内存控制器会计算CRC的值，并存放到CRC的Device中去。读取的时候再计算一遍，然后和内存条读回来的CRC的值进行比较。如果一致，则认为数据没有发生变化。否则，认为数据出错。 从上述理论可以推出，CRC校验位越多，则侦错能力越强。CRC设计不一样，侦错不同数据翻转的能力不同。可能存在数据错了，但侦错不了的情况。 既然有漏测的情况，为什么我们还会继续使用？这就和错误类型的概率有关了。通常情况下，一个bit翻转的可能性比较高，多bit同时翻转的可能性比较低。多bit翻转在同一个device里的几率比较高，多device同时翻转的概率比较低。 举个例子，当一个Cacheline的数据从内存条里读出来后，通过CRC校验，我们会发现数据有可能已经发生改变。这个时候，我们先假设出现了CE（Correctable Error）问题。则通过Parity信息反算Device数据，需要一个Device一个Device的假设，然后重新计算CRC和之前存储的CRC进行比较。所以最多的情况可能要假设18次。 如果全部弄完仍然CRC对不上，则属于UCE（Uncorrectable Error）问题啦。当然，大家会发现，ECC校验过程会影响内存读写延时。

到这里，大家应该了解了Memory ECC的基本算法了，Parity针对的是每个Burst，CRC是以半个CacheLine或者其他大小为单位处理的。如果是跨Device的Error，真的无法纠错吗？如果有，请将你的实现方案发给我们吧，我们将在下期公布读者的“可行”方案哦。