数据中心内存实际坏多少：几组公开研究数据的对照

内存到底多容易坏，厂商规格书给的是理论值，真实答案在大规模部署的运维数据里。业界有若干基于数十万台服务器的研究，结论有几点相当一致。

结论一：错误的分布极不均匀

各项研究都发现，出现内存错误的机器只占总体的一小部分，而这一小部分机器贡献了绝大多数错误事件。有些机器一年报成千上万次可纠正错误，同批次的其他机器一次都没有。

这个分布形态说明主流不是随机软错误，而是特定机器上的硬缺陷持续发作。运维上的含义很明确：按机器为单位识别问题个体，比按整批评估失效率有用。

结论二：可纠正错误是有效的预警信号

研究普遍显示，出现过可纠正错误的 DIMM，后续发生不可纠正错误的概率比没出现过的高出一个量级以上。而且很多不可纠正错误发生前的几周到几个月里，同一位置已经在反复报可纠正错误。

所以把 CE 日志当成背景噪声忽略掉，是在浪费最有价值的预警窗口。合理做法是设阈值告警，对反复报错的地址做 PPR 修复或者安排更换。

结论三：温度和使用强度有影响，但不是唯一因素

温度升高会提高错误率，这一点符合预期。但研究也发现，同样温度下不同厂商、不同批次、不同容量配置的表现差异很大，有时厂商和批次的影响超过温度。

这提示采购环节的价值：批次一致性和来料筛选质量，对现场失效率的影响不比机房环境小。

结论四：年龄的影响不是简单线性

失效率随部署时间的变化并非一路上升。部分研究观察到早期有一个偏高的阶段，之后趋于平稳，运行数年后再度上升。这和浴盆曲线的形状吻合，也说明出厂筛选没有把早期失效完全拦住。

对采购和运维的几条实际做法

• 把 ECC 日志纳入常规监控，按 DIMM 位置聚合统计，不要只看总量；
• 为可纠正错误设定分级阈值，低频记录、高频告警、集中在单地址的优先处理；
• 新机上线后头一个月加密监控，早期失效集中在这段；
• 采购时要求批次信息可追溯，出问题能按批次收敛排查范围；
• 关键业务考虑更强的纠错方案，而不是单纯依赖标准 ECC。

对模组厂的启示

客户看的不是理论 MTBF，是他机房里那几万根条一年报多少错。能提供批次追溯、能给出筛选条件和实测裕量数据的供应商，在这类客户面前有明显优势。

反过来说，出厂只做常温点亮测试的产品，早期失效会原原本本地出现在客户的监控曲线上。那条曲线是藏不住的。