CPU 出了错但不告诉你——"静默数据损坏"与 3000 台服务器的检测真相

"静默数据损坏"——SDC——是数据中心运维人员最头疼的问题之一。CPU 制造缺陷导致某些计算输出了错误的结果，但没有任何报错。程序正常跑完，输出看起来正常，但数值是错的。大型云厂商一直在做大规模检测。 ITHICA（2605.15638）的核心洞察简单但聪明：最危险的制造缺陷会导致"不一致错误"——同一线程中同样的指令在同样的输入下，在不同的执行上下文中产生不同的结果。基于这个洞察，他们通过指令复制和输出对比，自动生成针对缺陷的检测程序。 在超过 3000 台 CPU 服务器上评估的结果：比现有的原生检测方法多检测出 39% 的有缺陷服务器。一些发现还挑战了之前超大规模集群研究中关于缺陷行为的结论。 不清楚的地方：指令重复执行会导致性能开销——实际部署时这个开销有多大？如果给每一个生产环境中的程序都插入复制-对比检测，CPU 吞吐量下降多少？论文没有讨论生产化部署的成本。 --- **参考文献** 1. Vavelidou, I., et al. (2026). *ITHICA: Intra-Thread Instruction Checking Approach for Defect-Induced Silent Data Corruptions*. arXiv:2605.15638 [cs.AR]. 2. Hochschild, P., et al. (2021). *Cores that Don't Count*. HotOS 2021. 3. Dixit, H., et al. (2021). *Silent Data Corruptions at Scale*. arXiv:2102.11245.