腾讯云首次揭秘：规避40%服务器宕机的背后技术

腾讯云首次揭秘：规避40%服务器宕机的背后技术

• 来源:网络
• 更新日期:2020-07-15

摘要：[摘要]腾讯云联合英特尔共同探索影响服务器宕机的关键因素，率先引用并积极完善MCA Recovery技术，同时通过结合硬件品控等手段，成功规避40%由内存故障引起的服务器宕机事故，有效

[摘要]腾讯云联合英特尔共同探索影响服务器宕机的关键因素，率先引用并积极完善MCA Recovery技术，同时通过结合硬件品控等手段，成功规避40%由内存故障引起的服务器宕机事故，有效保证云上用户的业务连续性。
云时代到来，云服务变成像水电一样的基础服务。作为云计算的底层承载，服务器的RAS特性（Reliability、Accessibility、Serviceability）决定着云服务的质量，也影响着云上用户业务运行的连续性。
然而，服务器难免因发生硬件故障导致宕机。据统计，硬件故障是服务器宕机的重要因素，而内存故障占了硬件故障整体的50%。
为了给客户提供安全、稳定的云计算服务，腾讯云联合英特尔共同探索影响服务器宕机的关键因素，率先引用并积极完善MCA Recovery技术，同时通过结合硬件品控等手段，成功规避40%由内存故障引起的服务器宕机事故，有效保证云上用户的业务连续性。
腾讯云也是首家在云计算领域大规模研发和使用MCA Recovery技术的云服务商。

内存故障：服务器的最大杀手
硬件故障是服务器宕机的重要因素，而内存故障占了硬件故障整体的50%。如果能够有效解决内存故障引起的服务器宕机问题，服务器宕机情况将能够得到极大的改善。

由于内存不可纠正错误的出现，内存故障只能被减少，不可被消除。因此如何降低内存故障对宕机的影响、保证系统正常运行成为更有价值的研究方向，而MCA Recovery技术则是降低内存故障负面影响的关键技术之一。
图：内存错误分析
MCA Recovery技术：内存故障的重要突破点
MCA Recovery（Machine Check Architecture Recovery）技术源自2010年英特尔提出的硬件自检机制。然而，由于以往CPU RAS特性的收费门槛与小规模云厂商对宕机的高容忍度，所以业界缺少对该技术的深入研究和工程实践，导致技术性能未被最大限度地发掘出来。
经过多维度的对比测试，腾讯云工程师发现：MCA Recovery技术能够有效缓解不可纠正错误的影响，缩小内存故障情况下对业务的负面影响范围。在使用MCA Recovery技术后，发生不可纠正错误的服务器不会立即重启系统，而是标记和传递故障数据，待消费者根据实际情况进行灵活处理，从而规避不可纠正错误导致系统立即重启的问题，更大限度地保证了系统的可用性。

图：MCA Recovery技术原理图
来源：Intel RAS Technology Integration and Validation Guide
在技术研究基础上，腾讯云推动MCA Recovery技术的应用落地，成为首家大规模研发和使用该技术的企业。配合压测、硬件品控等各项手段，腾讯云服务器内存质量得到很大改善，成功减少由内存故障引起的服务器宕机事故达40%，客户体验进一步提升。
MCA Recovery技术的应用推广
MCA Recovery技术帮助腾讯云更好地满足客户需求。
以游戏客户为例，由于成本、架构设计等原因，部分游戏客户采用数据、计算、日志全部集中于同一台服务器的集中式部署架构，导致单机可用性要求高。腾讯云利用MCA Recovery 技术，建立OS适配、隐患通知、热迁移规避、下线维修、重新上线等配套流程，延长机器uptime，极致地满足客户需求。
同时腾讯云开发一套自动化注错工具，有效检测MCA Recovery流程触发是否正常。此注错工具已成为腾讯内部规范，同时也推广到服务器厂商，方便行业早期识别相关隐患。
腾讯云还与英特尔及主板厂商紧密合作，推动行业技术合作进步。在技术研究过程中，腾讯云与厂商紧密合作，有效修复多个底层固件问题。同时与英特尔的联合项目推动一系列知识沉淀，如腾讯-英特尔技术白皮书（详见阅读原文），积累大量的软硬件知识储备，为客户提供更安全、稳定、高效的云服务。