浪潮天梭M13服務器是專為超大規模實時事務處理而設計的大型關鍵計算系統，面向總部級別的銀行存儲款、電信行業計費系統、跨國企業ERP等關鍵應用場景。M13支持處理器核心數量超過1000個，具有強大的在線事務處理能力，同時采用了復雜的高可用技術系統，滿足業務7*24小時穩定運行需求。
天梭M13的內存高可用挑戰
RAS特性（即服務器的可靠性Reliability、可用性Availability以及可服務性Serviceability）對于大型關鍵應用主機來說尤為關鍵，能夠讓主機容忍各類軟硬件故障，可以顯著延長系統平均無故障時間，保證客戶業務持續穩定運行，是保障系統高可用性的技術基礎。
M13的可用性設計覆蓋了系統的每個部分，極為復雜，本文只介紹一項內存可用性技術 -- IMS內存檢測隔離。
內存錯誤和故障是引發系統硬件故障的原因之一，一方面，從SDR到DDR，再到目前的DDR3，內存的容量和性能不斷提升，內存顆粒容量的增大、單元密度增加、生產工藝的復雜，客觀上增加了內存缺陷檢查和測試的難度；另一方面，天梭M13最大支持1536個DIMM插槽，內存容量高達48TB，使得內存發生錯誤和故障的概率顯著增加。
IMS -- Intelligent Memory Surveillance
目前，內存錯誤的診斷和處理技術相對成熟，主要有ECC、chipkill、SDDC等，這些技術能夠檢驗內存錯誤，進行相應處理，但是有一定局限性，例如ECC可以檢驗和糾正一個數據位錯誤，但無法糾正2個錯誤位同時發生，而且如果ECC錯誤頻繁發生會導致Multi-bit被標識為不可用，甚至觸發MRC內存管理機制，將整個Rank/DIMM做disable處理。頻繁的內存錯誤并不表示內存物理失效，也有可能是外部環境溫度過高、電壓波動等因素導致，這樣的處理會減少內存性能、浪費內存空間，從而降低系統性能。
IMS -- Intelligent Memory Surveillance，是一套完整的內存錯誤和故障校驗、診斷和處理方法，具備內存檢測、失效隔離和預警等完整的內存管理功能，解決了內存故障無法修復導致停機、故障難于定位、個別錯誤導致大規模內存浪費等內存錯誤和故障處理難題。
IMS系統概述
浪潮天梭M13高端服務器的IMS系統配置了高效的內存診斷工具，用戶可以自行對內存問題進行檢查。M13開機時，在BIOS啟動階段（進入操作系統前），用戶可進入Diagnostic模塊，在3種不同強度的測試模式 -- Quick、Standard和Extensive中進行選擇，對內存進行測試和檢驗。檢測完成后，對于關鍵區域或大塊面積的不可修復錯誤，IMS會給出警示信息，提示用戶需要更換內存，對于非關鍵區域、分散性的少量錯誤，IMS會將錯誤地址記錄并對故障單元進行隔離，機器之后的運行時不會再對這些錯誤地址進行訪問。
當系統啟動成功，進入OS后，IMS會實時進行內存的監測、保護和處理。首先IMS系統會實時統計內存ECC錯誤信息，并對錯誤地址以IMS自帶的多個測試算法進行強化測試，對錯誤進行有效性確認，同時預測相關可能出錯的地址。最后，IMS系統對確認錯誤或預測產生的不可糾錯的內存，應用 OS的隔離技術，在此部分內存區域空閑時予以隔離，離開應用內存空間。
IMS -- 內存錯誤減少95%以上
IMS系統能夠在天梭M13服務器運行過程中，有效減少失效內存進入系統的機會。開機前的可選Diagnostic功能類似工廠專用內存測試ATE，但又優于ATE，可以讓用戶方便的進行全面內存檢查。隨著服役時間的延長，內存的電氣性能會不斷衰減，從而產生內存失效隱患，Diagnostic功能讓用戶有效避免這一隱患。
在系統運行時，IMS可以將故障內存進行隔離，也很好的防止內存退化帶來的內存錯誤，提高系統可靠性。而且IMS對于內存錯誤的定位和處理更為精細和及時，某些本應作RMA處理的內存，可以在現場進行處理修復，大幅減少內存空間浪費行為。
在使用IMS后，ECC log報錯日志內容隨時間推移成收斂狀態，效果顯著，每小時ECC報錯數從400次逐步減少到不足10次。浪潮統計數據表明，IMS可以有效減少內存錯誤的發生，提高內存可用性。
從天梭K1到天梭M13，浪潮關鍵應用主機在系統性能、可用性等方面都有了顯著的提高。浪潮在RAS高可用等關鍵核心技術上的持續突破，有效提升了其關鍵應用主機系統的可靠性及產品品質，為金融、電信等關鍵行業的核心信息化應用提供了強有力的基礎設施保障。
