Investigating Memory Failure Prediction Across CPU Architectures

大规模数据中心经常会出现内存故障，其中不可纠正错误（UE）突显了双列直插式内存模块（DIMM）中的严重故障。现有方法主要利用可纠正错误（CE）来预测UE，但它们通常忽略这些错误在不同CPU架构之间的差异，特别是在纠错码（ECC）适用性方面。在本文中，我们调查了不同CPU架构（包括X86和ARM）之间CE和UE之间的相关性。我们的分析确定了与每个处理器平台相关的内存故障的独特模式。利用生产数据集上的机器学习（ML）技术，我们在不同处理器平台上进行内存故障预测，相对于现有算法，F1得分提高了高达15％。最后，提供了一个MLOps（机器学习运营）框架，以在生产环境中持续改进故障预测。

本论文旨在解决大规模数据中心中内存故障的问题，特别是如何预测不可纠正错误（UEs），并探讨CEs和UEs在不同CPU架构中的关系。

通过对生产数据集的机器学习技术分析，识别出不同处理器平台与内存故障相关的独特模式，并在不同处理器平台上实现内存故障预测，相比现有算法提高了15%的F1分数。提出了一个MLOps框架以在生产环境中持续改进故障预测。

本论文的亮点包括使用不同CPU架构的生产数据集进行分析，提高了内存故障预测的准确性；提出了一个MLOps框架以持续改进故障预测；实验设计严谨，使用了多种数据集和机器学习技术。

近期相关研究包括“Predictive Modeling of Memory Errors in Large-Scale Data Centers Using Machine Learning”和“Memory Failure Prediction for Data Centers Using Machine Learning”。