软错误与硬错误：宇宙射线真的会翻转内存位
内存出错分两类，处理方式完全不同。分不清这一点，会在故障判定时做出错误决策：把软错误当坏条换掉，或者把硬错误当偶发忽略掉。
软错误：位翻了，但硬件没坏
存储单元里的电荷被外来能量扰动，导致状态从 1 变 0 或反过来。硬件本身完好，重新写入正确数据后该单元继续正常工作。
成因主要有：
- 大气中子。宇宙射线在大气层里产生的次级中子，撞击硅原子产生电离，是地面环境软错误的主要来源。海拔越高通量越大，高原机房的软错误率明显高于平原；
- 封装材料里的微量放射性杂质发出的 alpha 粒子。现在材料纯度控制得好，这一项比过去小很多；
- 电路噪声耦合。行锤这类现象也属于扰动导致的翻转，但它有明确的访问模式成因。
硬错误：物理坏了
存储单元、外围电路、走线或焊点出现物理损伤，写什么读出来都不对，或者在特定条件下必错。它不会自己恢复，需要修复（PPR）或更换。
怎么区分
方法很直接：对报错地址重写正确数据再读回。
- 重写后正常，多次访问也正常，是软错误；
- 重写后仍错，或者反复出现在同一地址，是硬错误。
服务器上 ECC 日志能提供更多信息。同一物理地址反复出现可纠正错误，基本可以判定为硬错误的早期表现，应该安排处理而不是等它变成不可纠正错误。
发生率大概是什么量级
公开研究数据的差异很大，取决于工艺节点、海拔、屏蔽条件。量级上，大规模数据中心的实测研究普遍显示：可纠正错误的发生比不可纠正错误高一到两个数量级，而且错误在服务器之间的分布高度不均，少数机器贡献了大部分错误。
后半句的实际意义很重要：错误集中说明多数是硬错误相关的问题机器，而不是均匀分布的随机软错误。运维上应该识别并处理这些高错误率的机器，而不是把 ECC 报错当作背景噪声。
防护手段的分工
- ECC 处理单比特翻转，对软错误效果直接；
- 内存巡检（patrol scrub）主动遍历内存并纠正累积的软错误，防止两个软错误落在同一 codeword 变成不可纠正；
- 更强的编码（如 chipkill 类方案）能容忍整颗颗粒失效，对硬错误有效；
- 关键场景做内存镜像，代价是一半容量。
对测试和分级的意义
出厂测试主要针对硬错误，因为软错误是概率事件，短时间测试里遇到的概率很低，遇到了也不代表产品有缺陷。
但有一点要注意：颗粒的抗软错误能力和它的电荷余量有关。余量小的颗粒被扰动翻转的概率更高。所以裕量扫描的结果间接反映了软错误敏感度，余量偏小的条子不适合用在对数据完整性要求高的场景。