回顾过去，展望未来：揭开高精度测量（HBM）误差的神秘面纱，以预测未来的故障

《ACM Transactions on Storage》：Looking Back to Move Forward: Unveiling the Mysteries of HBM Errors to Predict Future Failures

针对高带宽内存（HBM）可靠性问题，本文通过分析19个数据中心两年内4600万次错误事件，揭示其与传统DRAM不同的空间局部性、时间相关性和传感器指标特征，并提出基于多维度信息的Calchas层次化预测框架，验证其跨层级故障预测的有效性。

　　

摘要

高带宽内存（HBM）被认为是一种有望从根本上克服“内存墙”限制的技术。它通过垂直堆叠多个DRAM芯片来显著提升内存访问带宽。然而，这种架构也带来了更为严重的可靠性问题，因为HBM不仅继承了传统DRAM的错误模式，还引入了新的错误来源。

在本文中，我们对HBM的错误进行了首次系统性研究，分析了来自19个数据中心、跨越两年时间、在多种服务环境下收集的超过4.6亿个错误事件。通过错误分析和方法论验证，我们发现HBM在错误模式上与传统DRAM存在显著差异，这些差异体现在空间局部性、时间相关性以及传感器指标等方面，使得基于传统DRAM错误预测模型的方法无法有效用于HBM的错误预测。基于我们的研究结果，我们设计并实现了Calchas——一个针对HBM的分层故障预测框架，该框架整合了来自不同设备层次的空间、时间和传感器信息，以预测即将发生的故障。实验结果证明了分层故障预测的可行性。