GPU的壽命

最近外面總在討論GPU的壽命只有三年。

為什么GPU的壽命如此之短？

我們去看看論文中是怎么說的。

三年

最近云服務提供商CSP談到，GPU的有效使用率通常是60%-70%。

在這樣的效率下，GPU的壽命通常為1年到2年，最長3年。

如果進一步提高使用率，那么GPU的壽命會進一步降低。

橡樹嶺國家實驗室的Titan GPU

首先一份論文來自美國橡樹嶺國家實驗室：

GPU Lifetimes on Titan Supercomputer: Survival Analysis and Reliability

這篇論文主要收集了GPU運行期間經常發生的兩種錯誤類型：

Double Bit Error (DBE)

DBE指的是GPU memory中發生的ECC檢測錯誤。ECC校驗可以校驗1bit，但是無法校驗2bit。

Off the Bus （OTB）

則是CPU失去了和GPU的連接，失聯了。

題外話，如果你聽到橡樹嶺實驗室比較耳熟。

那么，對，這個實驗室就是當年秘密研發原子彈的一處，曼哈頓計劃。

實驗室裝備的GPU

這里還要引入一個新的概念，MTBF。指的是mean time between failure。

兩次GPU失敗之間的均值時間。

研究人員收集數據之后發現，DBE，OTB data error都是在3年的時候達到頂峰。

也就是使用了三年的GPU會開始大規模failure。

OTB和DBE頻繁的發生在2016年成為了顯著事件，觸發了GPU的更新換代。

2016年更新換代：

如上圖所示，在更新換代之后，MTBF明顯降低了，到了2018年，又有明顯走高趨勢，此時才過了兩年。

這次替換了11,000塊GPU，占了總體GPU數量的接近59%。

問題在哪里？

經過大量的測試分析，在材料學和顯微學的研究人員的支持下，

發現問題并不在于GPU本身，而是在于電路上焊接的電阻發生了銀硫化物腐蝕。

此類腐蝕物在微電子部件的環境空氣中生長，并且只有在積累到了臨界量的腐蝕后才會發生故障。