Affidabilità Introduzione • I circuiti e sistemi elettronici sono inevitabilemnte affetti dalla presenza di guasti non solo in produzione ma anche durante la loro vita utile • L’affidabilità (reliability) di un circuito e sistema elettronico rappresenta la sua capacità di operare correttamente durante un periodo di tempo. • Lo scopo della progettazione finalizzata alla tolleranza ai guasti (fault tolerant design) è quello di applicare metodologie che migliorino l’affidabilità a livello di sistema Tipi di guasto • Durante il funzionamento i guasti possono essere di due tipi: – Guasti permanenti: dovuti ad esmpio alla manifestazione di difetti presenti in fase di produzione o anche dovute a invecchiamento (esempio elettromigrazione) o radiazioni che corrompono il reticolo cristallino o altri fenomeni ad effetto permanente – Guasti transitori: ad esempio SEU (single event upset nelle memorie) dovuti alla iniezione di cariche nel substrato che possono causare l’inversione del valore memorizzato su elementi di memorie. Effetti temporanei possono anche causare metastabilità. • I guasti transitori possono essere riparati se rilevati Failure Rate – frequenza di guasto • (t) = Failure rate a livello di componente – Si misura in FITS (Failures In Time – guasti per 109 ore) Failure rate Infant mortality Working life Wearout Overall curve Random failures Early failures Wearout failures Time Failure Rate a livello di sistema • Un sistema è costruito con componenti • Se non c’è tolleranza ai guasti (Fault Tolerance): – Se un qualunque componente si guasta allora tutto il sistema è guasto k sys c ,i i 1 Affidabilità - Reliability • Se un componente funziona a tempo 0 – R(t) = è la probabilità che funzioni ancora a tempo t • Legge di guasto esponenziale – Se si assume che il failure rate è costante • E’ una buona approssimazione dopo la fase di mortalità infantile R(t ) e t Affidabilità per un sistema serie • Sistema serie – Tutti i componenti devono funzionare affinchè il sistema funzioni N Rsys Ri i 1 A B C Rsys RA RB RC 7 Affidabilità per un sistema parallelo • Sistema parallelo – Tutti i componenti devono essere guasti affinchè il sistema non funzioni N A i 1 B Rsys 1 (1 Ri ) C D Rsys 1 (1 RA )(1 RB )(1 RC )(1 RD ) Affidabilità di un sistema con ridondanza • Affidabilità di un sistema con il componente B in parallelo – Può tollerare un guasto su B B A C B Rsys RA 1 (1 RB ) RC RA (2RB R ) RC 2 2 B Mean-Time-to-Failure (MTTF) • Tempo medio prima che il sistema si guasti – Uguale all’area sotto la curva di affidabilità MTTF R(t )dt 0 • Nel caso di legge di guasto esponenziale 1 t MTTF e dt 0 Schemi per la tolleranza ai guasti • Aggiungere tolleranza ai guasti a un progetto – Migliora l’affidabilità del sistema – Richiede ridondanza • Hardware • Tempo • Informazione Ridondanza Hardware • Implica la replica delle unità hardware – Ad ogni livello del progetto • A livello di porta logica, modulo, chip, piastra • Tre tipologie – Statica (anche detta passiva) • Il guasto viene mascherato piuttosto che rilevato – Dinamica (anche detta attiva) • Il guasto viene rilevato e si riconfigura verso un hardware di riserva – Ibrida • Combina gli approcci attivo e passivo Ridondanza statica • I guasti vengono mascherati in modo tale che non ci siano output errati – Fornisce un funzionamento ininterrotto – Importante nel caso di sistemi real-time • Non c’è tempo per riconfigurare o riprovare l’operazione – Semplice e autosufficiente • Non c’è bisogno di tenere traccia dello stato del sistema per rollback Triple Module Redundancy (TMR) • Ben noto schema di ridondanza statica – Tre copie di un modulo – Si usa un majority voter per determinare l’uscita finale – Un errore in un modulo viene escluso per minoranza dagli altri due Module 1 Module 2 Module 3 Majority Voter Affidabilità e MTTF del TMR • Il TMR funziona se almeno 2 moduli qualunque funzionano – Rm = affidabilità di ogni modulo – Rv = affidabilità del voter 3 i Rv [ Rm (1 Rm )3i ] Rv [ Rm3 3Rm2 (1 Rm )] Rv (3Rm2 2 Rm3 ) i 2 i 3 RTMR • MTTF per il TMR 0 0 0 MTTFTMR RTMR dt Rv (3Rm2 2 Rm3 )dt e vt (3e 2 mt 2e 3mt )dt 3 2 2m v 3m v Comparazione con il Simplex • Ignorando il fault rate del voter poichè è progettato per essere molto minore dei moduli si può riscrivere il MTTF MTTFTMR 5 1 5 MTTFsimplex 2m 3m 6 m 6 3 2 • Pertanto il TMR ha un MTTF più basso del simplex ma – Può tollerare guasti temporanei – Ha un’affidabilità più alta per missioni brevi Comparazione con il Simplex • Punto di intersezione RTMR Rsimplex 3e 2mt 2e 3mt e mt ln 2 Risolvendo t 0.7 MTTFsimplex m • RTMR > Rsimplex quando – La durata della missione è minore del 70% del MTTF del simplex Comparazione TMR Simplex 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 Simplex TMR N-Modular Redundancy (NMR) • NMR – N moduli più il majority voter • Il TMR è un caso speciale del NMR – E’ in grado di mascherare fino a (N-1)/2 moduli guasti – Al crescere di N, il MTTF diminuisce • Ma l’affidabilità per le missioni brevi aumenta • Se l’obiettivo è solo quello di tollerare i guasti temporanei è sufficiente usare il TMR Ridondanza Dinamica • Implica – Rilevazione del guasto – Localizzazione dell’unità guasta – Riconfigurazione del sistema per usare l’unità di riserva non guasta Riserve non alimentate (fredde) • Una riserva fredda raddoppia il MTTF – Assumendo che i guasti vengano sempre rilevati e che il circuito di riconfigurazione non si guasti mai • Svantaggio della riserva fredda – Tempo richiesto per accendere e inizializzare – Non può essere usato per rilevare i guasti – La rilevazione dei guasti richiede uno dei seguenti approcci • test offline fatto periodicamente • online testing usando ridondanza di tempo o di informazione Riserve alimentate (Calde) • Si possono usare le riserve per condurre la rilevazione dei guasti online • Un approccio è quello di duplicare e comparare – Se c’è una discordanza sugli output allora si è avuto un guasto – Si fa partire una procedura diagnostica per capire quale modulo sia guasto e lo si rimpiazza con una riserva – Si può usare un numero qualunque di riserve Module A Spare Module Module B Output Compare Agree/Disagree Ridondanza ibrida • Combina sia la ridondanza statica e quella dinamica – Maschera i guasti come la ridondanza statica – Rileva e riconfigura come la ridondanza dinamica TMR con riserve • Se un modulo del TMR si guasta – Rimpiazzato da una riserva • Può essere sia una riserva calda o fredda – Fintanto che il sistema ha tre moduli funzionanti • Il TMR fornirà fault masking per mantenere un’operatività ininterrotta Ridondanza Self-Purging • Usa un voter a soglia invece di un voter a maggioranza – Threshold voter mette in uscita 1 se il numero di ungressi uguali ad 1 è maggiore della soglia • Altrimenti mette in uscita 0 – Richiede riserve calde Ridondanza temporale • Vantaggio – Meno hardware • Svantaggio – Potrebbe non rilevare guasti permanenti • Se si rileva un errore – Il sistema deve ritornare a uno stato precedente che si sa essere buono prima di ripartire con le operazioni Esecuzione Ripetuta • L’operazione viene ripetuta due volte – E’ il metodo di ridondanza temporale più semplice – Rileva guasti temporanei che avvengono durante un’esecuzione (ma non in entrambe) • Causa una differenza tra i risultati – Può riutilizzare lo stesso hardware per entrambe le esecuzioni • Serve solo una copia dell’hardware funzionale Esecuzione Ripetuta • Richiede un meccanismo per memorizzare e comparare i risultati di entrambe le esecuzioni – In un processore, si può memorizzare sulla memoria o su un disco e usare un software per fare la comparazione • Costo principale – Tempo addizionale per l’esecuzione ridondante e la comparazione • Problema con i guasti permanenti Ricomputazione in diversità • Si usa lo stesso hardware, ma si fa la computazione in modo diverso la seconda volta – Può rilevare i guasti permanenti che influenzano solo una computazione • Per operazioni logiche o aritmetiche – Si fa lo shift degli operandi quando si fa la seconda computazione [Patel 1982] Ridondanza di Informazione • Basata su codici per la rilevazione e correzione d’errore • Vantaggi – Rileva sia guasti temporanei che permanenti – L’hardware in eccesso necessario è minore di quando si usano più copie di un solo modulo • Svantaggio – Progettazione più complessa Rilevazione d’errore • Codici a rilevazione d’errore usati per rilevare gli errori – Se un errore viene rilevato • Si ritorna a uno stato precedente non guasto (rollback) • Si riprova l’operazione Rollback • Richiede di aggiungere capacità di memorizzazione per salvare lo stato precedente – L’entità del rollback dipende dalla latenza del meccanismo di rilevazione – Rilevazione d’errore senza latenza • Il rollback è implementato impedendo al sistema di aggiornare il suo stato – Se gli errori vengono rilevati dopo n cicli • Bisogna avere un sistema di rollback in grado di restaurare lo stato del sistema a quello di almeno n cicli di clock precedenti Checkpoint • L’esecuzione viene suddivisa in sottoinsiemi di operazioni – Prima che ciascuna operazione venga eseguita • Viene creato un checkpoint dove viene memorizzato lo stato del sistema – Se viene rilevato un errore durante l’operazione • Si ritorna (rollback) all’ultimo checkpoint e si riprova l’operazione – Se si rileva un errore in molteplici repliche dell’operazione • L’operazione si ferma e il sistema segnala che è avvenuto un guasto permanente Teoria dei Codici • Codici – Si usano più bit del necessario per rappresentare i dati – E’ un modo per rilevare gli errori • Gli errori avvengono quando i bit di informazione vengono invertiti per qualche motivo • Codici a rilevazione d’errore – – – – Ne esistono molti tipi Possono rilevare diverse classi di errori Usano diversi livelli di ridondanza Presentano diversi livelli di difficoltà per la codfica e la decodifica dei dati Rilevazione d’errore • Si codificano le uscite del circuito con un codice a rilevazione d’errore – Se l’uscita non è una parola di codice c’è un errore Inputs m k Functional Logic Outputs k m Check Bit Generator Checker c Error Indication Duplicazione e confronto • Un checker di uguaglianza rileva l’errore – Un guasto potrebbe non essere rilevato solo se un guasto di modo comune colpisse entrambe le copie – Vengono rilevati solo i guasti dopo lo stem – Più del 100% di overhead (includendo il checker) Stems Primary Inputs Functional Logic Equality Checker Functional Logic Error Indication Codice di parità a bit singolo N M f(N) P(M) p P(f(N)) comparator p’ M= f(N) Il circuito di predizione della parità crea una stima della parità P(f(N)) Il circuito di predizione ha un overhead hardware variabile che può essere in media il 33% rispetto al circuito che implementa la f(N) Codice di parità a bit singolo • Non si può rilevare un numero pari di errori sui bit – Si può evitare un numero pari di errori sui bit generando ogni output con un cono di logica indipendente • Si è nella assunzione di avere un singolo guasto per cui si evita che un guasto si propaghi su due output • Tipicamente implica un grosso overhead Distanza di un codice • Distanza tra due parole di codice: – Numero di bit in cui le due parole differiscono • Distanza di un codice – Minima distanza due parole di codice nel codice – Se n=k (nessuna ridondanza), la distanza è = 1 – Parità a bit singolo distanza = 2 • Codice con distanza d – Rileva d-1 errori – Corregge fino a (d-1)/2 errori Codici a correzione d’errore • Codice con distanza 3 – Chiamato anche single error correcting (SEC) code (codice a correzione di errore singolo) • Codice con distanza 4 – Chiamato anche single error correcting and double error detecting (SEC-DED) code (codice a correzione di errore singolo e rilevazione di errore doppio) • Procedura per costruire un codice SEC – Descritto in [Hamming 1950] – Ogni matrice H con tutte le colonne distinte e nessuna colonna con tutti 0 è SEC Memory Scrubbing • Ogni locazione di memoria viene letta su base regolare – Riduce la probabilità che si accumulino più errori nel tempo – Si può implementare facendo in modo che il controllore della memoria faccia questa attività durante I periodi di idle