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?nèi)タ纯凑撐闹惺窃趺凑f的。

三年

最近云服務(wù)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(jìn)一步提高使用率，那么GPU的壽命會(huì)進(jìn)一步降低。

橡樹嶺國家實(shí)驗(yàn)室的Titan GPU

首先一份論文來自美國橡樹嶺國家實(shí)驗(yàn)室：

GPU Lifetimes on Titan Supercomputer: Survival Analysis and Reliability

這篇論文主要收集了GPU運(yùn)行期間經(jīng)常發(fā)生的兩種錯(cuò)誤類型：

Double Bit Error (DBE)

DBE指的是GPU memory中發(fā)生的ECC檢測(cè)錯(cuò)誤。ECC校驗(yàn)可以校驗(yàn)1bit，但是無法校驗(yàn)2bit。

Off the Bus （OTB）

則是CPU失去了和GPU的連接，失聯(lián)了。

題外話，如果你聽到橡樹嶺實(shí)驗(yàn)室比較耳熟。

那么，對(duì)，這個(gè)實(shí)驗(yàn)室就是當(dāng)年秘密研發(fā)原子彈的一處，曼哈頓計(jì)劃。

實(shí)驗(yàn)室裝備的GPU

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

兩次GPU失敗之間的均值時(shí)間。

研究人員收集數(shù)據(jù)之后發(fā)現(xiàn)，DBE，OTB data error都是在3年的時(shí)候達(dá)到頂峰。

也就是使用了三年的GPU會(huì)開始大規(guī)模failure。

OTB和DBE頻繁的發(fā)生在2016年成為了顯著事件，觸發(fā)了GPU的更新?lián)Q代。

2016年更新?lián)Q代：

如上圖所示，在更新?lián)Q代之后，MTBF明顯降低了，到了2018年，又有明顯走高趨勢(shì)，此時(shí)才過了兩年。

這次替換了11,000塊GPU，占了總體GPU數(shù)量的接近59%。

問題在哪里？

經(jīng)過大量的測(cè)試分析，在材料學(xué)和顯微學(xué)的研究人員的支持下，

發(fā)現(xiàn)問題并不在于GPU本身，而是在于電路上焊接的電阻發(fā)生了銀硫化物腐蝕。

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