راهنمای جامع پردازنده های (Intel و AMD) | تشخیص نسل CPU، معنی پسوندها، مقایسه قدرت، انتخاب بهترین پردازنده و کاربرد هر مدل

Performance per Watt چیست؟

هرچه سیستم
با Power کمتر
Performance بیشتری
تولید کند،
از این دیدگاه
Efficientتر است.

Power و Energy چه تفاوتی دارند؟

این دو مفهوم
بسیار به هم مرتبط اند،
اما یکسان نیستند.

Power
نرخ مصرف یا انتقال Energy
در یک لحظه است.

Energy
مقدار کل انرژی
مصرف شده
طی یک بازه زمانی است.

Power
=
Energy / Time

در حالت ساده
اگر Power تقریباً ثابت باشد:

Energy
=
Power × Time

Watt چه چیزی را نشان می دهد؟

Watt
واحد Power است.

1 Watt
=
1 Joule / Second

یعنی دستگاهی
که در یک لحظه
50 Watt مصرف می کند،
با نرخ تقریبی
50 Joule در هر ثانیه
Energy مصرف می کند.

رابطه Voltage، Current و Power چیست؟

در شکل پایه:

P
=
V × I

که در آن:

• P برابر Power،
• V برابر Voltage،
• I برابر Current است.

اما برای فهم مصرف
مدارهای دیجیتال CMOS
باید رفتار Switching
ترانزیستورها
را نیز در نظر گرفت.

Dynamic Power چیست؟

بخش مهمی
از مصرف CPU
هنگام Switching
ترانزیستورها ایجاد می شود.

یک مدل ساده شده
برای Dynamic Power:

Pdynamic
≈
α × C × V² × f

است.

در این رابطه:

• α میزان Switching Activity،
• C Effective Capacitance،
• V Supply Voltage،
• f Clock Frequency است.

چرا Voltage اهمیت بسیار زیادی دارد؟

در مدل ساده Dynamic Power،
Voltage
به صورت مربع
وارد رابطه می شود.

Pdynamic
∝
V²

بنابراین افزایش Voltage
می تواند اثر قابل توجهی
روی Power
داشته باشد.

مشکل مهم تر این است
که برای رسیدن
به Frequencyهای بالاتر
ممکن است CPU
به Voltage بیشتری
نیاز داشته باشد.

در نتیجه افزایش Frequency
می تواند همزمان
با افزایش Voltage
همراه شود.

افزایش Frequency چگونه مصرف را تغییر می دهد؟

اگر سایر عوامل
ثابت فرض شوند،
Dynamic Power
تقریباً با Frequency
افزایش پیدا می کند.

Pdynamic
∝
f

اما در CPU واقعی،
برای رسیدن
به Clock بالاتر
معمولاً ممکن است
Voltage نیز افزایش یابد.

به همین دلیل
افزایش Power
می تواند بسیار بیشتر
از افزایش Performance باشد.

یک مثال ساده از هزینه افزایش Frequency

فرض کنیم
یک حالت کاری
از:

1.0 V
@
4.0 GHz

به:

1.1 V
@
4.4 GHz

تغییر کند.

اگر فقط
بخش:

V² × f

را مقایسه کنیم:

State A
=
1.0² × 4.0
=
4.0

State B
=
1.1² × 4.4
≈
5.32

در این مثال ساده،
Frequency حدود 10 درصد
افزایش یافته،
اما عامل تقریبی
Dynamic Power
حدود 33 درصد
افزایش پیدا کرده است.

این یک مدل آموزشی
ساده شده است
و Power واقعی CPU
به عوامل بیشتری
وابسته است.

Diminishing Returns در CPU چیست؟

در بسیاری از Processorها
نزدیک شدن
به بالاترین Frequency
هزینه Power بیشتری
برای هر واحد
Performance اضافه
ایجاد می کند.

ممکن است:

+10% Performance

نیازمند:

+25%
/
+35%
/
or More Power

باشد.

مقدار دقیق
به Architecture،
Silicon،
Workload
و Operating Point
وابسته است.

Efficiency Curve چیست؟

CPU در تمام
Frequencyها و Power Levelها
Efficiency یکسانی ندارد.

معمولاً یک محدوده
وجود دارد
که Processor
نسبت بسیار مناسبی
میان:

Performance
/
Power

ارائه می کند.

حرکت به سمت
Maximum Frequency
ممکن است Performance
را افزایش دهد،
اما Efficiency
را کاهش دهد.

Efficiency Sweet Spot چیست؟

Sweet Spot
محدوده ای از
Operating Point است
که CPU
Performance مناسبی
با Power نسبتاً منطقی
ارائه می دهد.

این نقطه
الزاماً Maximum Performance
نیست.

Maximum Performance Point
≠
Maximum Efficiency Point

Static Power چیست؟

حتی اگر
Transistorها دائماً
Switching نکنند،
مدار واقعی
می تواند مقداری
Power مصرف کند.

یکی از دلایل
این مصرف
Leakage Current
است.

به این بخش
معمولاً Static Power
یا Leakage-related Power
گفته می شود.

Leakage چیست؟

Transistor واقعی
یک Switch ایده آل
نیست.

حتی در حالت هایی
که نباید مسیر اصلی
Current فعال باشد،
جریان های کوچکی
می توانند وجود داشته باشند.

مجموع این جریان ها
در تراشه ای
با تعداد بسیار زیادی
Transistor
می تواند قابل توجه باشد.

چرا Temperature می تواند مصرف را بیشتر کند؟

Leakage Current
می تواند
به Temperature
حساس باشد.

در شرایط خاص،
افزایش Temperature
می تواند Leakage
را افزایش دهد.

افزایش Power
نیز Heat بیشتری
تولید می کند.

بنابراین رابطه ای
میان:

Power
↔
Temperature
↔
Leakage

وجود دارد.

کنترل این رفتار
یکی از وظایف مهم
Power Management
و Thermal Management
است.

آیا تمام Power مصرفی CPU به گرما تبدیل می شود؟

از دید طراحی حرارتی سیستم،
تقریباً تمام Energy
مصرف شده توسط Processor
در نهایت باید
به صورت Heat
از سیستم دفع شود.

به همین دلیل
افزایش Power
مستقیماً فشار بیشتری
بر Cooling System
وارد می کند.

Energy per Task چیست؟

فقط Power لحظه ای
مهم نیست.

باید دید
CPU برای تمام کردن
یک Task
در مجموع
چه مقدار Energy
مصرف کرده است.

Energy per Task
=
Average Power During Task
×
Execution Time

بنابراین CPU
با Power بیشتر
ممکن است اگر Task
را بسیار سریع تر
تمام کند،
الزاماً Energy بیشتری
مصرف نکند.

مثال: Power بیشتر ولی Energy کمتر

فرض کنیم CPU A:

50 W × 100 s
=
5000 J

و CPU B:

70 W × 60 s
=
4200 J

CPU B
Power بیشتری
هنگام اجرا مصرف کرده،
اما چون Task
را سریع تر
تمام کرده است،
Energy کل آن
در این مثال
کمتر است.

بنابراین:

Higher Power
≠
Always Higher Energy per Task

Race to Idle چیست؟

Race to Idle
به این ایده اشاره دارد
که Processor
Task را سریع انجام دهد
و سپس زودتر
وارد حالت کم مصرف شود.

High Performance
→
Finish Work Earlier
→
Enter Low-Power State Earlier

این روش
در بعضی Workloadها
می تواند Energy
را کاهش دهد.

اما همیشه
بهترین راه نیست،
زیرا افزایش شدید
Voltage و Frequency
ممکن است هزینه Energy
زیادی داشته باشد.

چرا Idle Power مهم است؟

بسیاری از سیستم ها
بخش زیادی از زمان
در Full Load
نیستند.

لپ تاپ اداری،
کامپیوتر خانگی،
Server
و سیستم های همیشه روشن
ممکن است مدت زیادی
در Load پایین
یا Idle باشند.

بنابراین Efficiency
فقط در 100 درصد Load
نباید اندازه گیری شود.

Power Stateها چگونه Efficiency را افزایش می دهند؟

Processor مدرن
می تواند براساس Load
بخش هایی از تراشه
را در حالت های
کم مصرف تر قرار دهد.

همچنین Frequency
و Voltage
می توانند Dynamic
تغییر کنند.

هدف این است
که CPU
فقط زمانی
Power بالا مصرف کند
که واقعاً
به Performance
نیاز وجود دارد.

DVFS چیست؟

هنگام Load سبک،
Frequency و Voltage
می توانند کاهش یابند.

هنگام نیاز
به Performance بیشتر،
Operating Point
می تواند افزایش یابد.

Power Gating چیست؟

اگر بخشی
از Processor
مورد استفاده نباشد،
طراحی می تواند
مصرف آن بخش
را تا حد زیادی
کاهش دهد.

Power Gating
یکی از تکنیک های
کاهش Leakage
در بخش های غیرفعال است.

Clock Gating چیست؟

اگر یک بخش
در لحظه
نیازی به فعالیت نداشته باشد،
می توان Clock
آن بخش را
متوقف یا محدود کرد.

این کار
Switching Activity
را کاهش می دهد
و در نتیجه
Dynamic Power
کمتر می شود.

Clock Gating و Power Gating چه تفاوتی دارند؟

Undervolting چیست؟

Undervolting
به کاهش Voltage
عملیاتی CPU
نسبت به تنظیمات
مرجع یا پیش فرض
اشاره دارد.

در صورت پایداری
می تواند:

• Power را کاهش دهد،
• Heat را کاهش دهد،
• Temperature را کاهش دهد،
• و در بعضی شرایط Headroom حرارتی بیشتری ایجاد کند.

اما Voltage بیش از حد پایین
می تواند باعث:

• Instability،
• Crash،
• Calculation Error،
• یا Boot Failure

شود.

Power Limiting چگونه می تواند Efficiency را بهتر کند؟

اگر CPU
در بخش کم بازده
Efficiency Curve
فعالیت کند،
کاهش Power Limit
ممکن است Performance
را کمی کاهش دهد،
اما Power
و Heat
را به مقدار بیشتری
پایین بیاورد.

برای مثال ممکن است:

Performance
↓ 8%

ولی:

Power
↓ 25%

شود.

این اعداد
صرفاً مثال آموزشی هستند
و مقدار واقعی
به CPU و Workload
بستگی دارد.

چرا Efficiency در لپ تاپ بسیار مهم است؟

لپ تاپ
هم محدودیت Energy
و هم محدودیت Cooling
دارد.

Efficiency بهتر
می تواند به:

• Battery Life بیشتر،
• Heat کمتر،
• Fan Noise کمتر،
• Chassis خنک تر،
• و Sustained Performance بهتر

کمک کند.

آیا Efficiency در Desktop هم مهم است؟

بله.

Desktop
محدودیت Battery ندارد،
اما Power بیشتر
همچنان می تواند
به معنی:

• Heat بیشتر،
• Cooling قوی تر،
• Noise بیشتر،
• مصرف برق بیشتر،
• و فشار بیشتر روی Power Delivery

باشد.

چرا Efficiency در Workstation مهم است؟

Workstation
ممکن است ساعت ها
زیر Load سنگین
فعالیت کند.

در Rendering،
Simulation،
Compilation
یا پردازش حرفه ای،
تفاوت کوچک
در Efficiency
در طول زمان
می تواند
به تفاوت قابل توجه
در:

• Energy Consumption،
• Heat Output،
• Cooling Requirement،
• Noise،
• و Operating Cost

تبدیل شود.

چرا Performance per Watt در Server بسیار مهم است؟

در Data Center
مصرف CPU
فقط هزینه برق
خود Processor نیست.

Heat تولید شده
باید توسط
Cooling Infrastructure
نیز دفع شود.

بنابراین Efficiency بهتر
می تواند همزمان:

• Compute بیشتری در Power Budget مشخص ارائه دهد،
• هزینه Energy را کاهش دهد،
• Cooling Requirement را کاهش دهد،
• و Density را افزایش دهد.

چرا Efficiency در Mini PC و All-in-One اهمیت دارد؟

این سیستم ها
معمولاً فضای Cooling
محدودتری
نسبت به Desktop Tower
دارند.

Processor Efficientتر
می تواند در همان
Thermal Envelope
Performance بیشتری
حفظ کند.

بنابراین این موضوع
فقط مخصوص لپ تاپ نیست.

آیا Performance per Watt مستقیماً Battery Life را مشخص می کند؟

نه.

Battery Life
به مصرف کل دستگاه
وابسته است.

بخش هایی مانند:

• Display،
• GPU،
• Memory،
• Storage،
• Wireless،
• Peripheralها،
• و سایر مدارهای Platform

نیز Energy مصرف می کنند.

بنابراین CPU Efficiency
فقط یکی از عوامل
Battery Life
است.

آیا TDP همان مصرف برق CPU است؟

نه.

TDP
و Power Consumption
نباید به عنوان
دو مفهوم کاملاً یکسان
در نظر گرفته شوند.

تعریف دقیق TDP
می تواند براساس
سازنده و Platform
متفاوت باشد.

CPU در شرایط مختلف
ممکن است Power
کمتر یا بیشتری
نسبت به عدد اسمی
مصرف کند.

بنابراین برای تحلیل Efficiency
بهتر است Power واقعی
در Workload مورد نظر
اندازه گیری شود.

Package Power و System Power چه تفاوتی دارند؟

Package Power
معمولاً به Power
مربوط به Processor Package
یا محدوده ای
که Sensorهای آن
گزارش می کنند
اشاره دارد.

System Power
می تواند مصرف:

• CPU،
• Motherboard،
• RAM،
• Storage،
• GPU،
• Fanها،
• و Power Supply Losses

را نیز شامل شود.

هنگام مقایسه
باید مشخص باشد
کدام Power
اندازه گیری شده است.

Benchmark بهره وری انرژی چگونه باید انجام شود؟

فقط ثبت
Maximum Power
کافی نیست.

بهتر است همزمان:

• Performance،
• Average Power،
• Execution Time،
• Total Energy،
• Temperature،
• و Sustained Behavior

بررسی شوند.

در این صورت
می توان فهمید
CPU فقط سریع است
یا واقعاً Efficient
نیز هست.

معیارهای مهم در تحلیل Efficiency پردازنده

Wafer چیست؟

پردازنده ها
به صورت جداگانه
از ابتدا ساخته نمی شوند.

تعداد زیادی
Circuit
روی یک صفحه
Silicon
ساخته می شوند.

این صفحه
Wafer نام دارد.

Silicon Wafer
→
Many Dies
→
Testing
→
Packaging
→
Finished Processors

Die چیست؟

پس از ساخت
مدارهای متعدد
روی Wafer،
Wafer به قطعات
جداگانه تقسیم می شود.

هر قطعه سیلیکونی
که شامل مدار
یک تراشه است
Die نامیده می شود.

البته در Processorهای مدرن،
یک Package
ممکن است بیش از یک Die
یا چند Chiplet
داشته باشد.

چرا تمام Dieها دقیقاً یکسان نیستند؟

Semiconductor Manufacturing
در ابعاد بسیار کوچک
انجام می شود.

حتی با کنترل بسیار دقیق،
Variationهای کوچک
در فرایند ساخت
اجتناب ناپذیر هستند.

این اختلاف ها
می توانند روی ویژگی هایی مانند:

• Transistor Switching Speed،
• Leakage Current،
• Voltage Requirement،
• Maximum Stable Frequency،
• Power Consumption،
• و Thermal Behavior

اثر بگذارند.

Process Variation چیست؟

این Variation
به معنی خراب بودن
تراشه نیست.

دو Die سالم
می توانند هر دو
تمام Specification رسمی
محصول را پاس کنند،
اما حاشیه عملکرد
متفاوتی داشته باشند.

Parametric Variation چیست؟

گاهی تراشه
از نظر Functional
کاملاً سالم است،
اما پارامترهای الکتریکی آن
با Die دیگری
کمی تفاوت دارند.

برای مثال
ممکن است دو تراشه
هر دو در:

4.5 GHz

کاملاً پایدار باشند،
اما یکی برای این Frequency
Voltage کمتری
نیاز داشته باشد.

این تفاوت
نمونه ای از
Parametric Variation
است.

Defect چه تفاوتی با Process Variation دارد؟

Process Variation
می تواند تراشه ای سالم
با ویژگی های کمی متفاوت
ایجاد کند.

Defect
می تواند باعث شود
بخشی از Circuit
اصلاً درست کار نکند.

بنابراین:

Variation
≠
Defect

Yield در تولید تراشه چیست؟

Yield
به نسبت Dieهایی اشاره دارد
که پس از تولید
شرایط لازم
برای استفاده
در محصولات قابل فروش
را دارند.

در ساده ترین بیان:

Yield
=
Usable Dies
/
Manufactured Dies

البته در صنعت واقعی،
تعریف و تحلیل Yield
پیچیده تر از این
رابطه ساده آموزشی است.

چرا اندازه Die می تواند روی Yield اثر بگذارد؟

اگر Die بزرگ تر باشد،
هر Die سطح بیشتری
از Wafer
را اشغال می کند.

همچنین احتمال اینکه
یک Defect تصادفی
در محدوده یک Die
قرار گیرد
می تواند افزایش پیدا کند.

به همین دلیل
Die Size
یکی از عوامل مهم
اقتصادی و مهندسی
تولید Processor است.

Silicon Binning چیست؟

سازنده می تواند
تراشه ها را از نظر:

• Functional Correctness،
• Stable Frequency،
• Voltage Requirement،
• Power Consumption،
• Leakage،
• و بخش های سالم تراشه

ارزیابی کند.

فرایند Binning به صورت ساده چگونه است؟

Fabrication
↓
Wafer Test
↓
Functional Test
↓
Electrical Characterization
↓
Frequency / Voltage / Power Evaluation
↓
Bin Assignment
↓
Packaging
↓
Final Validation

جزئیات دقیق
این مراحل
بین سازندگان
و نسل های مختلف
متفاوت است.

Frequency Binning چیست؟

بعضی Dieها
می توانند Frequency بالاتری
را در شرایط مورد نظر
سازنده
به صورت پایدار
حفظ کنند.

چنین تراشه هایی
ممکن است برای
Product Binهایی
با Clock بالاتر
مناسب باشند.

Dieهای دیگر
ممکن است کاملاً سالم باشند،
اما در Frequency پایین تر
بهترین تطابق
با Specification
داشته باشند.

Voltage Binning چیست؟

دو Die
ممکن است برای رسیدن
به Performance مشخص
Voltage متفاوتی
نیاز داشته باشند.

تراشه ای که
Frequency هدف
را با Voltage کمتر
حفظ می کند،
می تواند از نظر:

• Power،
• Heat،
• Efficiency،
• و Thermal Headroom

رفتار مطلوب تری
داشته باشد.

البته رفتار نهایی
به Firmware،
Voltage Curve
و Power Management
محصول نیز وابسته است.

Leakage چه ارتباطی با Binning دارد؟

Siliconهای مختلف
می توانند Leakage
متفاوتی داشته باشند.

Leakage کمتر
در بعضی محصولات
می تواند مزیت مهمی باشد،
به خصوص جایی که:

• Power Budget محدود است،
• Temperature اهمیت زیادی دارد،
• Idle Power مهم است،
• یا تعداد زیادی Processor همزمان استفاده می شوند.

Power Binning چیست؟

سازنده می تواند
بررسی کند
یک Die برای رسیدن
به Performance هدف
در چه Power Envelope
قرار می گیرد.

این موضوع
در محصولاتی مانند:

• Mobile CPU،
• Desktop CPU،
• Server CPU،
• Embedded Processor،
• و سیستم های محدود از نظر Cooling

اهمیت زیادی دارد.

چگونه یک طراحی سیلیکون می تواند به چند مدل CPU تبدیل شود؟

همیشه برای هر مدل CPU
یک Die کاملاً متفاوت
طراحی نمی شود.

در بعضی خانواده ها
یک Die Design
می تواند پایه
چند SKU مختلف باشد.

براساس:

• Core Count فعال،
• Cache فعال،
• Frequency،
• Power Target،
• Feature Set،
• و نتیجه Validation

محصولات مختلفی
ایجاد می شوند.

Silicon Harvesting چیست؟

فرض کنید یک Die
دارای چند Core
یا چند واحد
محاسباتی باشد.

اگر بخشی از تراشه
نتواند Specification لازم
را پاس کند،
در بعضی طراحی ها
ممکن است آن بخش
غیرفعال شود.

اگر باقی تراشه
سالم باشد،
می توان آن را
به عنوان محصولی
با Configuration پایین تر
عرضه کرد.

این روش
می تواند Yield اقتصادی
را افزایش دهد.

مثال ساده از Harvesting

فرض کنیم
یک Die Design
دارای:

8 CPU Cores

باشد.

اگر هر 8 Core
شرایط لازم را داشته باشند،
Die می تواند
برای محصول 8-Core
مناسب باشد.

اگر فقط 6 Core
شرایط لازم
را داشته باشند،
ممکن است دو Core
غیرفعال شوند
و Die
در یک محصول 6-Core
استفاده شود.

این مثال
صرفاً برای توضیح مفهوم است؛
Product Segmentation واقعی
الزاماً فقط
براساس Defect
انجام نمی شود.

آیا هر CPU رده پایین تر از Silicon ضعیف تر ساخته شده است؟

خیر.

این یکی از
برداشت های اشتباه
درباره Binning است.

Product Segmentation
فقط نتیجه کیفیت Silicon
نیست.

سازنده ممکن است
براساس:

• تقاضای بازار،
• موجودی،
• قیمت گذاری،
• Product Positioning،
• Feature Segmentation،
• و اهداف تجاری

نیز SKUهای مختلف
ایجاد کند.

Product Tier
≠
Pure Silicon Quality Ranking

Silicon Lottery چیست؟

اصطلاح
Silicon Lottery
بیشتر در جامعه کاربران
و Overclocking
استفاده می شود.

منظور این است
که دو CPU
با مدل یکسان
ممکن است Headroom
متفاوتی داشته باشند.

برای مثال
یک نمونه ممکن است
Frequency مشخصی
را با Voltage پایین تر
حفظ کند،
در حالی که نمونه دیگر
برای همان Frequency
Voltage بیشتری نیاز داشته باشد.

آیا Silicon Lottery در استفاده عادی اهمیت زیادی دارد؟

معمولاً کمتر از چیزی
که در بحث های Enthusiast
تصور می شود.

اگر دو CPU
یک مدل باشند
و هر دو
در Specification رسمی
کار کنند،
Performance عادی آنها
معمولاً باید
در محدوده مورد انتظار
همان محصول باشد.

تفاوت Silicon
بیشتر ممکن است
در مواردی مانند:

• Undervolting،
• Overclocking،
• Power Optimization،
• Temperature Optimization،
• و Maximum Frequency Headroom

آشکار شود.

چرا دو CPU یکسان ممکن است دمای متفاوتی داشته باشند؟

Silicon Variation
یکی از عوامل ممکن است،
اما تنها عامل نیست.

Temperature
می تواند تحت تاثیر:

• Voltage،
• Actual Power،
• Cooling System،
• Thermal Paste،
• Mounting Pressure،
• Ambient Temperature،
• Fan Curve،
• Chassis Airflow،
• BIOS Settings،
• و Workload

قرار بگیرد.

بنابراین مشاهده
Temperature کمتر
به تنهایی
ثابت نمی کند
Silicon یک CPU
بهتر است.

چرا دو نمونه از یک CPU ممکن است Voltage متفاوتی نشان دهند؟

Processorهای مدرن
معمولاً Voltage
را به صورت Dynamic
مدیریت می کنند.

Silicon Characteristics
می تواند یکی از عوامل
تعیین Voltage مورد نیاز باشد.

اما:

• Firmware،
• Motherboard،
• Load،
• Frequency،
• Temperature،
• Power Policy،
• و Sensor Reporting

نیز می توانند
روی Voltage مشاهده شده
اثر بگذارند.

آیا دو CPU یکسان می توانند Benchmark متفاوتی داشته باشند؟

بله،
اختلاف کوچک
می تواند طبیعی باشد.

اما اختلاف Benchmark
الزاماً از Silicon
ناشی نمی شود.

عوامل بسیار رایج تر شامل:

• Cooling،
• Power Limit،
• RAM Configuration،
• Background Process،
• BIOS،
• Operating System،
• Driver،
• و Benchmark Variance

هستند.

Binning در پردازنده های لپ تاپ چه اهمیتی دارد؟

Mobile Processor
باید در محدودیت های:

• Power،
• Temperature،
• Battery،
• Cooling،
• و Chassis

کار کند.

Silicon با Efficiency مناسب
می تواند برای
Operating Pointهای
کم مصرف
ارزش زیادی داشته باشد.

با این حال
رفتار نهایی لپ تاپ
همچنان به طراحی
خود دستگاه
وابسته است.

چرا Binning در Server اهمیت دارد؟

Server Processor
ممکن است برای مدت طولانی
زیر Load
فعالیت کند.

بنابراین:

• Efficiency،
• Voltage Requirement،
• Power،
• Thermal Behavior،
• و Reliability Margin

اهمیت زیادی دارند.

در مقیاس
تعداد زیادی Server،
حتی اختلاف کوچک
در Efficiency
می تواند مهم شود.

آیا Aging همان Silicon Binning است؟

خیر.

Binning
به Characterization
و دسته بندی تراشه
مربوط است.

Aging
به تغییرات احتمالی
ویژگی های Device
در طول زمان
و تحت شرایط کاری
مربوط می شود.

Manufacturing Variation
≠
Silicon Aging

Aging
موضوع جداگانه ای است
و در فصل بعد
دقیق تر بررسی می شود.

آیا هنگام خرید CPU یا سیستم استوک باید نگران Silicon Lottery باشیم؟

برای خرید معمولی،
تمرکز اصلی
نباید روی حدس زدن
کیفیت Bin تراشه باشد.

مهم تر است
بررسی شود که CPU:

• Specification رسمی خود را حفظ می کند،
• در Load پایدار است،
• Temperature غیرعادی ندارد،
• Throttling غیرطبیعی ندارد،
• Crash یا Error ایجاد نمی کند،
• و Performance آن در محدوده طبیعی همان مدل است.

این معیارها
برای ارزیابی
یک سیستم استوک
بسیار کاربردی تر
از حدس درباره
Silicon Lottery هستند.

برای بررسی رفتار CPU در سیستم استوک چه چیزهایی را تست کنیم؟

عوامل مختلف در دسته بندی Silicon

Silicon Aging چیست؟

این تغییرات
ممکن است باعث شوند
یک مسیر الکتریکی
پس از مدت طولانی
اندکی کندتر
یا حساس تر
به Voltage شود.

Degradation چیست؟

Degradation
به کاهش تدریجی
Margin یا کیفیت
رفتار الکتریکی
تراشه اشاره دارد.

این Degradation
لزوماً به معنی
خرابی فوری نیست.

CPU ممکن است
همچنان کاملاً
داخل Specification
کار کند.

Aging
→
Margin Reduction
→
Possible Degradation
→
Eventual Failure

این مسیر
می تواند
بسیار طولانی باشد.

Aging و Failure چه تفاوتی دارند؟

Aging
فرایند تدریجی
تغییر ویژگی های Device است.

Failure
زمانی رخ می دهد
که سیستم دیگر
نتواند Specification
یا عملکرد صحیح
مورد نیاز را حفظ کند.

Aging
≠
Immediate Failure

Electromigration چیست؟

Interconnectهای فلزی
داخل تراشه
جریان الکتریکی
را منتقل می کنند.

اگر Current Density
بالا باشد،
حرکت Electronها
می تواند در طول زمان
روی Atomهای رسانا
اثر بگذارد.

این پدیده:

Electromigration

نامیده می شود.

در بلندمدت
می تواند باعث
تغییر ساختار
مسیرهای فلزی شود.

Current Density چیست؟

Current Density
مقدار جریان
نسبت به سطح مقطع
مسیر رساناست.

به صورت ساده:

Current Density
=
Current
/
Cross-Sectional Area

هرچه مسیرها
کوچک تر شوند،
کنترل Current Density
اهمیت بیشتری پیدا می کند.

Electromigration چه آسیبی ایجاد می کند؟

در شرایط شدید
و طولانی مدت،
حرکت Atomها
می تواند باعث ایجاد:

• Void،
• Material Accumulation،
• افزایش Resistance،
• یا اختلال در مسیر رسانا

شود.

طراحی Processor
تلاش می کند
Current Density
را در محدوده قابل اطمینان
نگه دارد.

چرا Temperature در عمر CPU اهمیت دارد؟

بسیاری از مکانیزم های
Degradation
نسبت به Temperature
حساس هستند.

افزایش Temperature
می تواند بعضی
فرایندهای فیزیکی
را سریع تر کند.

به همین دلیل
از دید Reliability:

Lower Stress Temperature
→
Generally Better Long-Term Reliability

البته CPUهای مدرن
برای کار در محدوده
Temperature تعریف شده
طراحی می شوند.

چرا Voltage بالا می تواند Aging را تشدید کند؟

افزایش Voltage
میدان الکتریکی
در بخش هایی از Device
را افزایش می دهد.

همچنین ممکن است:

• Power را افزایش دهد،
• Current را افزایش دهد،
• Temperature را بالا ببرد،
• و Stress الکتریکی بیشتری ایجاد کند.

بنابراین:

Higher Voltage
+
Higher Temperature
+
Long Duration
→
Higher Aging Stress

BTI چیست؟

BTI
مخفف:

Bias Temperature Instability

است.

این پدیده
می تواند در طول زمان
باعث تغییر
پارامترهای الکتریکی
Transistor شود.

Voltage Bias
و Temperature
در این فرایند
نقش دارند.

NBTI و PBTI چیست؟

بسته به نوع Transistor
و فناوری ساخت،
اثرات BTI
می توانند با نام هایی مانند:

NBTI
=
Negative Bias Temperature Instability

PBTI
=
Positive Bias Temperature Instability

شناخته شوند.

جزئیات رفتار آنها
به Process Technology
وابسته است.

Hot Carrier Degradation چیست؟

در برخی شرایط،
Carrierهای پرانرژی
می توانند
به ساختار Transistor
Stress وارد کنند.

این مکانیزم
با نام:

Hot Carrier Injection
/
Hot Carrier Degradation

شناخته می شود.

نتیجه بلندمدت
می تواند تغییر
پارامترهای Transistor
باشد.

TDDB چیست؟

TDDB
مخفف:

Time-Dependent Dielectric Breakdown

است.

Dielectricها
در ساختار Transistor
تحت Electric Field
قرار دارند.

Stress طولانی مدت
می تواند در مقیاس زمانی
بسیار طولانی
قابلیت عایقی
آنها را کاهش دهد.

آیا CPU فقط به یک روش پیر می شود؟

خیر.

Reliability
نتیجه تعامل
چند مکانیزم است.

از جمله:

• Electromigration،
• BTI،
• Hot Carrier Effects،
• Dielectric Degradation،
• Thermal Cycling،
• و Package-related Stress.

Thermal Cycling چیست؟

CPU
در طول استفاده
بارها گرم
و سرد می شود.

این چرخه:

Cold
→
Hot
→
Cold

می تواند باعث
انبساط و انقباض
مواد مختلف
در Package و Board شود.

مواد مختلف
ضریب انبساط حرارتی
یکسانی ندارند.

بنابراین Thermal Cycling
فقط مسئله خود Transistorها نیست
و می تواند
Package Reliability
را نیز تحت تاثیر قرار دهد.

آیا خرابی مرتبط با عمر همیشه از خود Silicon است؟

خیر.

Processor
فقط یک Die
نیست.

Package شامل:

• Silicon Die،
• Interconnect،
• Substrate،
• Solder Connection،
• و Interfaceهای مختلف

است.

بنابراین Failure
می تواند
از بخش های دیگری
نیز ایجاد شود.

Guardband چیست؟

CPU
دقیقاً در مرز
Failure
به بازار عرضه نمی شود.

طراحان
Marginهایی
برای:

• Process Variation،
• Temperature Variation،
• Voltage Variation،
• Aging،
• و شرایط محیطی

در نظر می گیرند.

این حاشیه:

Guardband

نامیده می شود.

چرا CPU می تواند سال ها کار کند؟

Reliability
از ابتدا
بخشی از طراحی Processor
است.

سازنده:

• Voltage Limit تعیین می کند،
• Temperature Limit تعیین می کند،
• Current Limit طراحی می کند،
• Power Management قرار می دهد،
• Thermal Protection اضافه می کند،
• و Guardband ایجاد می کند.

بنابراین CPU
در شرایط استاندارد
برای کار طولانی مدت
طراحی می شود.

آیا CPU با گذشت زمان کند می شود؟

در استفاده عادی،
CPU سالم
معمولاً به این شکل
عمل نمی کند که
هر سال چند درصد
Performance خود
را از دست بدهد.

اگر CPU
همچنان Frequency،
Power
و Specification رسمی
خود را حفظ کند،
Performance محاسباتی آن
باید نزدیک
به همان سطح
مورد انتظار باقی بماند.

Older CPU
≠
Automatically Slower CPU

پس چرا کامپیوتر قدیمی گاهی کندتر به نظر می رسد؟

دلایل بسیار زیادی
وجود دارند
که ارتباط مستقیمی
با Aging خود CPU
ندارند.

برای مثال:

• Software سنگین تر شده،
• Operating System جدیدتر منابع بیشتری می خواهد،
• Background Serviceها بیشتر شده اند،
• Storage کند یا فرسوده شده،
• RAM ناکافی شده،
• Cooling ضعیف شده،
• Dust جمع شده،
• Thermal Paste کیفیت قبلی را ندارد،
• Fan ضعیف یا کثیف شده،
• یا Power Policy تغییر کرده است.

خمیر حرارتی چه ارتباطی با افت Performance سیستم قدیمی دارد؟

Thermal Interface Material
کمک می کند Heat
از CPU
به Heatsink
منتقل شود.

اگر Interface
عملکرد مناسبی نداشته باشد،
Thermal Resistance
می تواند افزایش یابد.

در نتیجه:

CPU Temperature ↑
→
Thermal Headroom ↓
→
Sustained Frequency ↓

این موضوع
مخصوص لپ تاپ نیست
و در Desktop،
Workstation،
All-in-One
و Mini PC
نیز مطرح است.

آیا Overclocking عمر CPU را کاهش می دهد؟

Overclocking
به خودی خود
یک مقدار ثابت
از عمر CPU
کم نمی کند.

Risk
بیشتر به شرایطی مانند:

• Voltage،
• Current،
• Temperature،
• Load Duration،
• و میزان فاصله از Specification

وابسته است.

Overclocking شدید
همراه با Voltage بالا
و Temperature بالا
می تواند Stress
بیشتری ایجاد کند.

آیا یک «ولتاژ کاملاً امن برای همیشه» وجود دارد؟

به این سادگی
نمی توان
یک عدد جهانی
تعیین کرد.

Reliability
به:

• CPU Generation،
• Process Node،
• Temperature،
• Current،
• Workload،
• Duration،
• و کنترل داخلی Processor

وابسته است.

بنابراین یک Voltage
که برای یک CPU مناسب است
نباید بدون Context
به نسل دیگری
تعمیم داده شود.

آیا Undervolting می تواند Stress را کاهش دهد؟

اگر CPU
با Voltage کمتر
همچنان کاملاً پایدار باشد،
Power
و Heat
می توانند کاهش یابند.

از نظر مفهومی
این موضوع
می تواند Electrical
و Thermal Stress
را کاهش دهد.

اما Undervolting نامناسب
می تواند:

• Crash،
• Error،
• Data Corruption،
• یا Instability

ایجاد کند.

CPU مدرن خودش Voltage را مدیریت نمی کند؟

چرا.

Processorهای مدرن
دارای سیستم های
پیچیده Power Management
هستند.

Voltage
و Frequency
می توانند بر اساس:

• Workload،
• Temperature،
• Power Budget،
• Core Count فعال،
• و Silicon Characteristics

تغییر کنند.

به همین دلیل
Voltage ثابت
معیار خوبی
برای تحلیل رفتار CPU
نیست.

CPU چگونه از خودش محافظت می کند؟

Processorهای مدرن
چندین مکانیزم حفاظتی
دارند.

از جمله:

• Thermal Monitoring،
• Thermal Throttling،
• Power Limiting،
• Current Limiting،
• Voltage Control،
• Emergency Shutdown،
• و Firmware Control.

این سیستم ها
تلاش می کنند
CPU در شرایط
غیرعادی
آسیب نبیند.

Thermal Shutdown چیست؟

اگر شرایط حرارتی
از محدوده
قابل کنترل
عبور کند،
Hardware
می تواند
اقدامات حفاظتی
شدیدتری انجام دهد.

در نهایت
ممکن است سیستم
برای جلوگیری
از آسیب
خاموش شود.

این سطح
با Thermal Throttling معمول
یکسان نیست.

آیا Stress Test به CPU آسیب می زند؟

Stress Test
Workload سنگینی
برای CPU ایجاد می کند.

اگر Processor
در Specification
و شرایط Thermal مناسب
کار کند،
اجرای Test کنترل شده
ابزار طبیعی
بررسی Stability
و Cooling است.

اما اجرای طولانی
با:

• Voltage غیرمعمول بالا،
• Cooling ناکافی،
• Power Limit شدیداً افزایش یافته،
• یا تنظیمات خارج از Specification

Stress بیشتری
به Hardware
وارد می کند.

آیا CPU استوک به دلیل چند سال کار کردن باید ضعیف شده باشد؟

نه به صورت خودکار.

یک CPU
که سال ها
در شرایط استاندارد
کار کرده است
می تواند همچنان
Specification طبیعی
خود را حفظ کند.

برای خرید سیستم استوک
مهم تر است
رفتار فعلی سیستم
اندازه گیری شود.

CPU سیستم استوک را چگونه از نظر سلامت بررسی کنیم؟

چرا CPU قدیمی با Software جدید ضعیف تر به نظر می رسد؟

حتی اگر CPU
هیچ Performance
از دست نداده باشد،
Software جدید
ممکن است Work بیشتری
از آن بخواهد.

برای مثال:

• Browser سنگین تر شده،
• Web Application پیچیده تر شده،
• Security Featureهای بیشتر فعال شده،
• Background Serviceها بیشتر شده اند،
• Video Codecهای جدیدتر استفاده می شوند،
• و Applicationها Resource بیشتری مصرف می کنند.

بنابراین:

Same CPU Performance
+
Heavier Software
=
Slower User Experience

آیا می توان Aging CPU را با Benchmark تشخیص داد؟

فقط با یک Benchmark
نمی توان
Aging Silicon
را اثبات کرد.

اگر Performance پایین باشد،
ابتدا باید:

• Temperature،
• Clock،
• Power،
• Cooling،
• Software،
• Background Load،
• و Memory Configuration

بررسی شوند.

Aging واقعی
بیشتر ممکن است
به صورت کاهش Margin
یا نیاز به شرایط
محافظه کارانه تر
آشکار شود،
نه صرفاً یک Score پایین
بدون علت مشخص.

چه چیزهایی می توانند نشانه احتمالی Degradation باشند؟

هیچ کدام
به تنهایی
اثبات قطعی نیستند،
اما مواردی مانند:

• Instability جدید در تنظیمات قبلاً پایدار،
• نیاز به Voltage بیشتر برای Frequency قبلی،
• کاهش Overclock Headroom،
• Error زیر Load سنگین،
• یا Failureهای تکرارشونده

می توانند
نیازمند بررسی باشند.

با این حال
Motherboard،
Power Supply،
Cooling،
Memory
و Software
نیز باید
از فهرست علت ها
حذف شوند.

چرا Aging در Server اهمیت ویژه دارد؟

Server
ممکن است:

• سال ها روشن باشد،
• Load طولانی داشته باشد،
• Utilization بالا داشته باشد،
• و تعداد زیادی CPU همزمان استفاده کند.

در چنین محیطی
Reliability Engineering
بسیار مهم است.

به همین دلیل
کنترل:

• Temperature،
• Power،
• Voltage،
• Airflow،
• و Platform Health

اهمیت زیادی دارد.

در لپ تاپ قدیمی بیشتر نگران چه چیزی باشیم؟

در بسیاری از لپ تاپ های قدیمی،
قبل از نگرانی
درباره خود Silicon CPU،
بهتر است موارد زیر
بررسی شوند:

• گرد و غبار Heatsink،
• وضعیت Fan،
• Thermal Interface،
• Air Intake و Exhaust،
• Power Adapter،
• Battery Health،
• Power Profile،
• و Sustained Temperature.

این عوامل
در عمل
بسیار رایج تر
از Degradation محسوس
خود CPU هستند.

در Desktop قدیمی چه مواردی مهم هستند؟

در Desktop
باید علاوه بر CPU
مواردی مانند:

• Cooler،
• Thermal Paste،
• Case Airflow،
• VRM Temperature،
• Power Supply،
• BIOS Settings،
• و Dust

بررسی شوند.

MTBF چیست؟

MTBF
مخفف:

Mean Time Between Failures

است.

این Metric
در Reliability Engineering
برای توصیف
رفتار آماری
سیستم ها استفاده می شود.

MTBF
نباید به این شکل
تفسیر شود که
یک CPU مشخص
دقیقاً پس از
آن تعداد ساعت
خراب خواهد شد.

چرا تست های Reliability در دمای بالا انجام می شوند؟

بسیاری از مکانیزم های
Aging
در Temperature بالاتر
سریع تر رخ می دهند.

بنابراین صنعت
می تواند از
Accelerated Life Testing
استفاده کند.

هدف این است
که در زمان کوتاه تر
اطلاعاتی درباره
رفتار بلندمدت
به دست آید.

این نتایج
با مدل های Reliability
به شرایط کاری واقعی
مرتبط می شوند.

Hardware Error چیست؟

علت می تواند
از خود CPU،
Memory،
Interconnect،
Power Delivery،
Motherboard
یا سایر اجزای Platform
باشد.

بنابراین:

Hardware Error
≠
Automatically CPU Failure

Soft Error و Hard Error چه تفاوتی دارند؟

همه Errorها
ناشی از خرابی دائمی
Hardware نیستند.

یک Soft Error
می تواند موقتی باشد
و بدون آسیب دائمی
به Device رخ دهد.

در مقابل،
Hard Error
می تواند ناشی از
Fault دائمی
یا مشکل فیزیکی
Hardware باشد.

Transient Error چیست؟

Transient Error
خطایی است
که برای مدت کوتاه
رخ می دهد
و لزوماً
دوباره تکرار نمی شود.

برای مثال
یک Bit
ممکن است
به صورت موقت
مقدار اشتباه بگیرد،
اما Hardware
از نظر فیزیکی
همچنان سالم باشد.

Permanent Error چیست؟

Permanent Error
ناشی از Faultی است
که باقی می ماند.

برای مثال
اگر یک Circuit
یا Storage Cell
به صورت فیزیکی
نتواند عملکرد صحیح
خود را حفظ کند،
Error می تواند
تکرارپذیر باشد.

Intermittent Error چیست؟

بعضی خطاها
نه کاملاً دائمی هستند
و نه فقط
یک بار اتفاق می افتند.

ممکن است فقط
در شرایط خاصی مانند:

• Temperature بالا،
• Voltage پایین،
• Load سنگین،
• Frequency بالا،
• یا Power Transient

ظاهر شوند.

این نوع رفتار
در Troubleshooting
بسیار مهم است.

Bit Flip چیست؟

اطلاعات دیجیتال
با Bitها
ذخیره و منتقل می شوند.

اگر مقدار یک Bit
ناخواسته از:

0 → 1

یا:

1 → 0

تغییر کند،
Bit Flip
رخ داده است.

بسته به محل Bit،
نتیجه می تواند
از کاملاً بی اثر
تا بسیار مهم
متفاوت باشد.

Silent Data Corruption چیست؟

یکی از خطرناک ترین
حالت ها زمانی است
که Hardware
نتیجه اشتباه
تولید کند،
اما Error
تشخیص داده نشود.

به این وضعیت
Silent Data Corruption
یا Silent Data Error
گفته می شود.

Wrong Data
+
No Error Detection
=
Silent Data Corruption

به همین دلیل
Error Detection
در سیستم های
Mission-Critical
اهمیت زیادی دارد.

Parity چیست؟

Parity
یکی از روش های ساده
برای تشخیص
بعضی خطاهای Bit
است.

در این روش
اطلاعات اضافی
همراه Data
نگهداری می شود
تا Hardware
بتواند بررسی کند
آیا Pattern
مورد انتظار
حفظ شده است یا خیر.

یک مثال ساده از Parity

فرض کنیم
از Even Parity
استفاده شود.

Data:

1011001

تعداد Bitهای 1
در Data
چهار عدد است.

چون تعداد 1ها
از قبل زوج است،
Parity Bit
می تواند:

0

باشد.

اگر یک Bit
تغییر کند،
Parity Check
می تواند ناسازگاری
را تشخیص دهد.

محدودیت Parity چیست؟

Parity ساده
عمدتاً برای Detection
طراحی شده است،
نه Correction.

همچنین تمام Patternهای
Multi-Bit Error
الزاماً توسط
Parity ساده
قابل تشخیص نیستند.

برای حفاظت قوی تر
از Error-Correcting Codeها
استفاده می شود.

ECC چیست؟

ECC
فقط مربوط به
RAM سیستم نیست.

ساختارهای داخلی Processor
نیز می توانند
از روش های مختلف
Error Detection
یا Error Correction
استفاده کنند.

SECDED چیست؟

SECDED
مخفف:

Single Error Correction
Double Error Detection

است.

در یک پیاده سازی
مناسب SECDED،
یک Single-Bit Error
می تواند اصلاح شود
و بعضی Double-Bit Errorها
قابل تشخیص هستند.

این مفهوم
یکی از الگوهای شناخته شده
در طراحی سیستم های
قابل اعتماد است.

چرا Cache CPU به Error Protection نیاز دارد؟

Cache
حجم بزرگی
از Data
و Instruction
را نزدیک Coreها
نگهداری می کند.

اگر یک Bit
در Cache
اشتباه شود،
Processor ممکن است
Data یا Instruction
نادرستی دریافت کند.

به همین دلیل
Cacheها و ساختارهای داخلی
می توانند بسته به طراحی
از:

• Parity،
• ECC،
• Replay Mechanism،
• Retry،
• و سایر Reliability Mechanismها

استفاده کنند.

آیا فقط Data داخل Cache باید محافظت شود؟

خیر.

Cache
علاوه بر Data
دارای Metadata
و Tag
نیز هست.

Error در Tag
می تواند باعث شود
CPU درباره محل
یا اعتبار Data
تصمیم اشتباهی بگیرد.

بنابراین Reliability
فقط مربوط به
Data Array
نیست.

Correctable Error چیست؟

Correctable Error
خطایی است
که Hardware
می تواند آن را
تشخیص داده
و بدون از دست رفتن
Correctness
اصلاح کند.

Error
→
Detect
→
Correct
→
Continue

در بعضی سیستم ها
چنین Errorی
ممکن است
در Log نیز
ثبت شود.

Uncorrectable Error چیست؟

اگر Hardware
Error را تشخیص دهد
اما نتواند
Correctness Data
را بازیابی کند،
Error می تواند
Uncorrectable
تلقی شود.

بسته به:

• محل Error،
• Severity،
• Architecture،
• Firmware،
• و Operating System

واکنش سیستم
متفاوت خواهد بود.

Recoverable و Fatal Error چه تفاوتی دارند؟

همه Uncorrectable Errorها
الزاماً واکنش
یکسانی ایجاد نمی کنند.

بعضی Architectureها
و Platformها
ممکن است بتوانند
Error را:

• Contain کنند،
• Process خاصی را متوقف کنند،
• Page خاصی را از سرویس خارج کنند،
• یا Component مشخصی را Recover کنند.

اما بعضی Errorها
برای ادامه اجرای امن
بیش از حد جدی هستند
و می توانند
Fatal باشند.

Machine Check چیست؟

CPUهای مدرن
مکانیزم هایی دارند
که Hardware Errorهای
مهم را ثبت
و گزارش کنند.

در معماری x86
این حوزه
معمولاً با مفاهیمی مانند:

Machine Check Architecture
=
MCA

و:

Machine Check Exception
=
MCE

مرتبط است.

MCA چه کاری انجام می دهد؟

Machine Check Architecture
چارچوب Hardware
برای گزارش
بعضی Errorهای
Machine-Level
است.

Processor
می تواند اطلاعاتی
درباره Error
در Registerها
یا ساختارهای
مربوط به Machine Check
ثبت کند.

این اطلاعات
سپس توسط Firmware
یا Operating System
قابل پردازش هستند.

MCE چیست؟

Machine Check Exception
نوعی Exception
مرتبط با Hardware Error
است.

بسته به Error،
CPU و OS
ممکن است:

• Error را Log کنند،
• Execution را متوقف کنند،
• Recovery انجام دهند،
• یا سیستم را Crash کنند.

WHEA چیست؟

WHEA می تواند
اطلاعاتی را
که از Hardware،
Firmware
و Platform
دریافت می شود
در اختیار Windows
قرار دهد.

WHEA Error را کجا می توان دید؟

در Windows
بعضی Hardware Errorها
می توانند در:

Event Viewer
→
Windows Logs
→
System

ثبت شوند.

Event Source
ممکن است:

WHEA-Logger

باشد.

Corrected Hardware Error در WHEA یعنی چه؟

ممکن است Hardware
Errorی را تشخیص دهد
و آن را
بدون از دست رفتن
Correctness
مدیریت کند.

OS ممکن است
این اتفاق را
به عنوان
Corrected Hardware Error
ثبت کند.

یک Event منفرد
الزاماً نشانه
خرابی قطعی نیست.

اما Errorهای:

• تکرارشونده،
• رو به افزایش،
• وابسته به Load،
• یا مرتبط با Crash

باید بررسی شوند.

Voltage نامناسب چگونه Hardware Error ایجاد می کند؟

Digital Circuit
برای Switching صحیح
به شرایط الکتریکی
مناسب نیاز دارد.

اگر Voltage
برای Frequency
و شرایط کاری
کافی نباشد،
Timing Margin
می تواند کاهش یابد.

Voltage Too Low
+
Frequency Too High
→
Timing Margin ↓
→
Possible Computation Error

این موضوع
یکی از دلایلی است
که Undervolting
باید با Stability Testing
همراه باشد.

Overclocking چگونه می تواند Error ایجاد کند؟

با افزایش Frequency،
زمان در دسترس
برای تکمیل عملیات
در هر Clock Cycle
کمتر می شود.

اگر Critical Path
نتواند در زمان لازم
Signal صحیح
تولید کند،
Timing Violation
ممکن است رخ دهد.

نتیجه می تواند:

• Application Crash،
• System Freeze،
• Calculation Error،
• WHEA Error،
• یا System Crash

باشد.

آیا Error مربوط به Memory همیشه از RAM است؟

خیر.

Memory Subsystem
فقط DIMM
یا Memory Chip
نیست.

مسیر شامل:

CPU Memory Controller
↔
Motherboard Traces
↔
Memory Module

است.

بنابراین Memory Error
می تواند ناشی از:

• RAM،
• Memory Controller،
• Memory Timing،
• Voltage،
• Socket Contact،
• Motherboard،
• یا Signal Integrity

باشد.

PCIe Error چه ارتباطی با CPU دارد؟

در بسیاری از Platformها
بخشی از PCIe Connectivity
مستقیماً توسط CPU
ارائه می شود.

اما PCIe Error
الزاماً به معنی
خرابی CPU نیست.

علت می تواند:

• Device،
• Slot،
• Connector،
• Motherboard،
• Signal Integrity،
• Power،
• Firmware،
• یا Link Configuration

باشد.

چرا تعداد و الگوی Error مهم تر از یک Error منفرد است؟

Troubleshooting
باید براساس Pattern
انجام شود.

برای مثال
باید پرسید:

• Error چند بار رخ داده است؟
• آیا فقط زیر Load رخ می دهد؟
• آیا با Temperature ارتباط دارد؟
• آیا بعد از تغییر BIOS شروع شده است؟
• آیا بعد از Undervolting رخ داده است؟
• آیا همیشه یک Core یا Component گزارش می شود؟
• آیا Frequency یا Memory Setting خاصی Trigger آن است؟

Pattern
اطلاعات بسیار بیشتری
از یک Event منفرد
ارائه می دهد.

Error Log در بررسی سیستم استوک چه کاربردی دارد؟

در سیستم استوک
فقط Benchmark
کافی نیست.

سیستم ممکن است
Performance خوبی
نشان دهد،
اما زیر Load طولانی
Error ایجاد کند.

بنابراین بررسی:

• Stability،
• Event Log،
• Temperature،
• Frequency،
• Power،
• Memory Stability،
• و Storage Health

تصویر کامل تری
از سلامت سیستم
ارائه می دهد.

یک سیستم استوک را از نظر Reliability چگونه بررسی کنیم؟

چرا Reliability در Workstation مهم تر از چند درصد Performance است؟

در Workstation
ممکن است یک Job
چند ساعت
یا حتی مدت بیشتری
اجرا شود.

اگر سیستم
3 درصد سریع تر باشد
اما پس از چند ساعت
Crash کند،
Performance بالاتر
ارزش عملی
زیادی ندارد.

Useful Performance
=
Performance
×
Stability

برای:

• Rendering،
• Simulation،
• Engineering Software،
• Compilation،
• Scientific Computing،
• و Content Creation

Stability
معیار بسیار مهمی است.

چرا Error Detection در Server اهمیت بسیار زیادی دارد؟

Server
ممکن است:

• 24 ساعت شبانه روز کار کند،
• داده های مهم پردازش کند،
• صدها یا هزاران User را سرویس دهد،
• و Workloadهای طولانی اجرا کند.

در چنین محیطی
فقط جلوگیری از Crash
مهم نیست.

جلوگیری از:

Silent Data Corruption

نیز اهمیت بسیار زیادی دارد.

RAS چیست؟

در سیستم های حرفه ای
اصطلاح RAS
زیاد استفاده می شود.

RAS
=
Reliability
+
Availability
+
Serviceability

Reliability
یعنی سیستم
با احتمال بالا
درست کار کند.

Availability
یعنی سیستم
تا حد ممکن
در دسترس باقی بماند.

Serviceability
یعنی Error
قابل تشخیص،
گزارش
و تعمیر باشد.

Error Containment چیست؟

هدف همیشه
این نیست که
کل سیستم
با اولین Error
متوقف شود.

در طراحی های پیشرفته
تلاش می شود
Error
تا حد امکان
در بخش محدودی
Contain شود.

برای مثال
به جای Crash
کل Server،
ممکن است در بعضی Platformها
یک Resource
یا بخش خاص
از سرویس خارج شود.

Detect
→
Isolate
→
Recover
→
Continue If Safe

Error Scrubbing چیست؟

در بعضی ساختارهای
حافظه ای،
سیستم می تواند
Data را به صورت دوره ای
بررسی کند.

اگر یک Correctable Error
پیدا شود،
Data صحیح
می تواند دوباره
نوشته شود.

این فرایند
Scrubbing
نامیده می شود.

هدف این است
که یک Error کوچک
قبل از جمع شدن
با Error دیگری
اصلاح شود.

هنگام مشاهده Hardware Error ابتدا چه چیزهایی را بررسی کنیم؟