平均故障间隔仅 6.5 小时:ASCI Q 超算靠中子束揪出宇宙射线元凶

lauriewired · x · 2026-09-29

lauriewired 复盘 2002-2003 年全球第二大超级计算机 ASCI Q 的可靠性危机:平均每 6.5 小时故障一次,整机重启最长要约 8 小时,利用率常年只有约 60%,仅偶尔几周超过 85%。

排查时怀疑是宇宙射线导致的不可纠错位翻转。洛斯阿拉莫斯实验室直接用自己的中子束照射机器——5 秒束流时间相当于 6 年多的正常太阳照射量——最终定位到 Alpha CPU 的 L2 Cache 缺少可纠错的奇偶校验。后续机器改用 ECC 保护的 L2,并配合更好的软件回退与 checkpointing 解决。