#科学史# #今天要来点计算机科学吗?#

想象一台电脑，它的开机时间竟然比它的平均故障间隔时间还长！这意味着机器还没完全启动完，就可能又要故障了。

ASCI Q，这台超级计算机在 2002–2003 年期间平均 每 6.5 小时就会故障一次。

更糟的是整机重启一次竟然需要接近 8 小时。

对于当时世界排名第二的超级计算机来说，这意味着它的利用率只有 约 60%。
偶尔有“几周状态很好”，能超过 85%，但非常罕见。

这并不是工程师的错。有人怀疑宇宙射线可能导致不可纠正的比特翻转（bit flip）。

要验证这个猜想，需要模拟太阳辐射的效果——在加速时间尺度上。

在洛斯阿拉莫斯国家实验室，这不是问题他们，直接用自己的 中子束 去照射 ASCI Q。

仅仅 5 秒钟的照射，就相当于机器在正常太阳环境下暴露了 6 年以上！

最终他们发现问题出在 Alpha CPU 的 L2 缓存缺乏可纠错校验（ECC）。

后来的机器都改进了：

L2 缓存加入 ECC

软件层面加入更好的容错与检查点机制

ps 当时的研究者使用ASCI Q时的“感想”，甚至一份总结ppt http://t.cn/AXWl4DTq