普通不用 ECC 内存的电脑出现位翻转的概率有多大？

[Jinnrry]

我记得很久很久以前，V 站有一次讨论要不要上 ECC 的帖子，当时有大佬给出了一段代码，大致是声明一个很大很大的数组，然后全部赋值成 1 ，然后再反复遍历检查，有可能出现值为 0 的结果。但是我现在无论如何都搜不到那篇帖子了。有没有大佬再给写个复现代码？

我拿 Go 写的

package main

import "fmt"

func main() {
	var arg [10000000000]bool

	for {
		for i := 0; i < 10000000000; i++ {
			arg[i] = true
		}
		for i := 0; i < 10000000000; i++ {
			if !arg[i] {
				fmt.Println("位翻转了！")
				return
			}
		}
		fmt.Println("!!")
	}

}

我在 mac 上运行了很久，都没发生翻转，不知道是概率太低还是 golang 的 bool 数据结构有兼容处理

[ebushicao]

我觉得这就和钓鱼不戴头盔出现被人用砖头砸头的情况的概率一样。

[noahhhh]

内存越大概率越高，128GB 无 ECC 基本每个月要重启一遍，自己台式机除更新从不重启，从没遇到问题

[leonshaw]

跑 memtest86

[xtreme1]

你加个玩内存 oc 的群, 里面一堆人天天处心积虑绞尽脑汁地想怎么才能不翻转.

[tool2dx]

@xtreme1 哈哈，这倒是真的。给内存超频，往极限超，分分钟翻转。

[ETiV]

我们 AWS 生产环境遇到过一次（疑似），而且是灾难级别的

程序端打印的日志跟 slow query 里的语句差了一个 bit ，这个翻转了的 bit 把 where 给注释掉了，然后这条 update 语句更新了全表…

[moudy]

@yjsdaniel #20 这种就是挂了之后找不到问题，推给内存了吧

[ouqihang]

我觉得现在消费级电脑，内存出错的概率还是挺大的。游戏闪退，后来排查到内存太热😥，内存大概 55 度到 60 度开始不稳定，但闪退后系统还是好的。系统里也有出错不过系统纠正过。所以服务器 ecc 内存频率低，还要严格按照厂家的参数跑不能超频。
以前用一个挺古老的软件做计算化学，到自己用的那轮，一组人算出来的结果不相同，大概内容是找分子的最低能量结构。实验员说应该结果都一样，但这批电脑上几天加过内存，戴尔商用机。当然了复杂的任务是扔服务器跑，家用电脑连续开几天也怕死机，本地运行只是用来验证是不是能跑。
但学期末有人赶进度，服务器不够就开几台台式机跑。

[JensenQian]

普通电脑基本上每天重启下就好了

[1145148964]

一个关键滴的问题是你在淘宝买到滴 ECC 内存都是老板亲自动手装的。标签也是老板贴滴。

[kinkin666]

@ETiV 如此炫酷，好像有点体会到服务器 ecc 内存的重要性了

[m1nm13]

@totoro625 真的不是 MEMTEST 都不过的内存吗....

[privil]

@ETiV #26 所以 AWS 的服务器没用 ECC 内存。话说我似乎看过你们的文章。

[GrayXu]

个人机器无所谓。
scale 到大型数据中心这个场景来讨论，内存错误就是常见的错误。
直接上数据，阿里云上二十五万台服务器在八个月时间里，有三万多台机器出现 CE 内存错误（七千万多次）。UE 导致的 failure 有三千多的工单。

[ETiV]

@privil @kinkin666 我并没有表述 AWS 的服务器没有用 ECC 内存

可能是我们的机器实在是太多了，所以遇到了非常极端的小概率问题的可能性也是有的吧…

因为在这个事儿之前，我刚读过 Dropbox 关于它客户端 bitflip 相关问题的文章，因为 Dropbox 的用户体量就非常巨大，他们的客户端上的 bitflip 很常见…（文章里是这么说的）

----
当然我们遇到的这个问题并没有定论，而且 AWS 的服务器不可能不用 ECC 内存，毕竟那么大的体量，出了问题他们担待不起。

我对于问题原因的判断单纯因为两端的日志比对，字符 3 （ 0x33 ） 变成了字符 #（ 0x23 ），就一个 bit 之差…

[cest]

@ETiV #35
ecc 也不是一定能抓到，抓到了修复也不是一定能修复

不能出错的得上多套系统比对

[Kiriya]

家用计算机不超频使用基本不用考虑

[kinkin666]

wiki ECC_memory

The most-common error correcting code, a single-error correction and double-error detection (SECDED) Hamming code, allows a single-bit error to be corrected and (in the usual configuration, with an extra parity bit) double-bit errors to be detected.

那看来普通系统还是偶尔重启或者把实例轮流渐入渐出清爽点

[yanqiyu]

我唯一一次意识到 bitrot 有可观的概率是同学告诉我他们在散列上取数的电脑爱死机（电脑暴露在中子束流下面）

[yanqiyu]

草错别字*，是散裂不是散列

以及原文代码，我不清楚 golang 里面的 bool 类型具体内存布局是怎样的，有可能你只用了一个字甚至更长的内存区域里面的一个 bit ，那就效率更低了