为什么拥有巨大规模集成电路的cpu很少出错？

姓名：黎文渊

学号：17021210909

转载自：https://www.zhihu.com/question/68033587，有删节

【嵌牛导读】：cpu拥有大规模集成电路，数以亿计的电路晶体管，由于量大，电路损坏或者失效的概率来说应该不小，可是就日常使用的系统Windows或Macos或者Linux很少出现明显的错误。这是为什么呢？

【嵌牛鼻子】：UEFI固件、服务器、嵌入式产品、开源硬件从业者

【嵌牛提问】：为什么拥有巨大规模集成电路的cpu很少出错？

【嵌牛正文】

首先，我们要明确一点，CPU会出错，并且一旦出错，会越来越频繁的出错。

我们这里所说的错误，主要指程序崩溃，或者是程序的运算结果出错。后者SDC（silent data corruption）通常更严重，比如说计算机结果不对但程序没有崩溃，错误结果最终也许会导致更严重后果。

电路晶体管出现错误并不少见，不过从整个计算机系统来看，统计讲到某个特定的使用者，出现错误，并且能被体验到并不会很频繁。即使硬件出现错误，并不会都传递到最上层的软件，比方说，只有5%的错误会影响到处理器的状态，最终用户观察到的比如程序崩溃，计算结果出错实际上会很少。

通常我们说的硬件错误有两种，一种是soft error；另一种是hard error。soft error，不是软件错误，是指因为背景辐射（alpha射线、高能辐射）造成的随机翻转，0变成1或者1变成0。这种错误是瞬时发生的，很难复现。hard error或者permanent faults就是题主说的电路损坏或者失效。

先讲soft error，大部分soft error并不会影响结果，比如说某个晶体管临时的位翻转，但是逻辑门的输出不依赖这个晶体管的状态；或者出错的时候时钟正好不在那个状态去用那个值；或者说出现在一个位置，很快被新的值覆盖；或者说那个错误的值不影响软件执行结果。因为种种原因，只有很少的错误会传到到最终用户可见的程度。在处理器架构设计中，还会针对关键电路采用容错机制，检测或者纠正错误，常见的，比如奇偶校验、ECC等。

hard error，是永久性的电路失效，表现形式就是部分电路的输出不变，永远是1或者0。有的器件，会有备份电路，有检测手段可以测试并用备份电路替代坏掉的。另外在实际情况中，损坏的电路并不会每次都被用到，比方说，芯片上有个buffer，其中坏了一个bit，但因为我的实际应用不会把这个buffer用完，也不会用到坏掉的那个bit，于是不会受那个坏掉的bit影响。

硬件也会提供机制向软件报告错误。软件（操作系统）也会有容错机制去处理硬件报告的异常。比如说重试，很可能就不会再出错。出现无法恢复的错误就是变成我们常见的程序崩溃了、kernel panic、死机之类的。

实际上，很多错误并不会影响用户体验，比如某个后台程序报一个错，或者崩溃了；再比如屏幕上某个像素值有一瞬间不对；玩游戏的时候某个NPC走位不对；或者点了下按钮第一下没动... 这些我们都不会直接想到是某个晶体管工作不正常。

因此，硬件的纠错机制会让细微的偶然错误化于无形，同时也避免了数据的错误，帮助计算机系统健康稳定运行。