为什么GPU的寿命如此之短

GPU的寿命

最近外面总在讨论GPU的寿命只有三年。

为什么GPU的寿命如此之短？

我们去看看论文中是怎么说的。

三年

最近云服务提供商CSP谈到，GPU的有效使用率通常是60%-70%。

在这样的效率下，GPU的寿命通常为1年到2年，最长3年。

如果进一步提高使用率，那么GPU的寿命会进一步降低。

橡树岭国家实验室的Titan GPU

首先一份论文来自美国橡树岭国家实验室：

GPU Lifetimes on Titan Supercomputer: Survival Analysis and Reliability

这篇论文主要收集了GPU运行期间经常发生的两种错误类型：

Double Bit Error (DBE)

DBE指的是GPU memory中发生的ECC检测错误。ECC校验可以校验1bit，但是无法校验2bit。

Off the Bus （OTB）

则是CPU失去了和GPU的连接，失联了。

题外话，如果你听到橡树岭实验室比较耳熟。

那么，对，这个实验室就是当年秘密研发原子弹的一处，曼哈顿计划。

实验室装备的GPU

这里还要引入一个新的概念，MTBF。指的是mean time between failure。

两次GPU失败之间的均值时间。

研究人员收集数据之后发现，DBE，OTB data error都是在3年的时候达到顶峰。

也就是使用了三年的GPU会开始大规模failure。

OTB和DBE频繁的发生在2016年成为了显著事件，触发了GPU的更新换代。

2016年更新换代：

如上图所示，在更新换代之后，MTBF明显降低了，到了2018年，又有明显走高趋势，此时才过了两年。

这次替换了11,000块GPU，占了总体GPU数量的接近59%。

问题在哪里？

经过大量的测试分析，在材料学和显微学的研究人员的支持下，

发现问题并不在于GPU本身，而是在于电路上焊接的电阻发生了银硫化物腐蚀。

此类腐蚀物在微电子部件的环境空气中生长，并且只有在积累到了临界量的腐蚀后才会发生故障。