Transient Fault基本概念介绍和一种基于watchdog的容灾策略

Transient Fault与Watchdog容灾策略详解

最新推荐文章于 2024-07-11 14:01:22 发布

原创

最新推荐文章于 2024-07-11 14:01:22 发布 · 2.4k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#fault tolerance #Transient Fault #watchdog

本文介绍了Transient Fault的概念，它由辐射和电磁干扰引起，可能导致数据和控制流错误。为解决此问题，文章提出了基于watchdog的容灾策略，包括数据保护、控制流检测和总线保护。watchdog通过监控处理器行为，检测错误并采取中断、重试等措施，确保系统故障容忍度。

这里的介绍来自IEEE论文A Watchdog Processor to Detect Data and Control Flow Errors，由于本人能力有限，在翻译过程中可能会出错，希望大家指正。

由于辐射和电磁干扰（Radiations and electromagnetic interferences）的存在，出现的短暂而且偶尔的faults会暂时改变系统的运行状态，这种fault成为Transient Fault。由于这种fault的随机性和偶然性，很难去检测并隔离，因此这成为我们研究fault tolerance的关键问题之一，尤其之于实时（real-time）应用程序。

针对这种fault，经常采取on-line error detection的机制进行应对，通常又分为电路级（circuit-level）和系统级（system-level）的解决方法，这些方法能够有效的保护系统免受Transient Fault的影响，不过也存在成本高、要对现有系统配置（system layout）有大的改动的缺陷，致使不能很好的商业化。

这里介绍一种基于watchdog的方法。watchdog是一种小而简单的协处理器，它通过监控主处理器的行为进行错误检查。第一阶段，watchdog获取处理器的信息；第二阶段，采集运行时的信息并和第一阶段进行比较达到错误检查的目的。watchdog通过系统总线与处理器进行交互。

像论文那样，我们先看一看Fault Model。我们知道fault的来源是辐射和电磁干扰，那么