[发明专利]一种提升串行高速总线设备可靠性的容错方法、装置

说明书

本发明提供一种提升串行高速总线设备可靠性的容错方法、装置，所述方法包括如下步骤：设置串行高速总线设备以最高速度运行；启动误码监测获取可纠正误码的数量；当第一时间阈值后可纠正误码的累计数量达到第一阈值时，重新训练串行高速总线链路并统计重新训练的次数；当重新训练串行高速总线链路的累计次数达到第二阈值次数时，强制将串行高速总线设备降速到第一运行速度并统计强制降速的累计次数；当强制降速的累计次数达到第三阈值次数时，将串行高速总线设备固定到第一运行速度运行，并输出告警信息提示更换。提升存储产品可靠性，降低设备的频繁更换，节约资源。

技术领域

本发明涉及云计算数据中心存储技术领域，具体涉及一种提升串行高速总线设备可靠性的容错方法、装置。

背景技术

随着数据大爆炸时代的到来，用户的成百上千倍的增加，实时并发访问量越来越大。NVME SSD全闪存储系统使用的越来越多，为了减少维护的工作量，数据中心对存储设备的可靠性要求也越来越高。全闪存储系统使用了很多PCIE接口设备，如NVME SSD、网卡、硬盘扩展卡、光纤卡等，这些设备都是采用PCIE总线作为物理接口和CPU交互。尤其是NVMESSD，为了实现大存储容量，存储系统中SSD数量比较多，多达上百个。目前广泛使用的是PCIE3.0，而且PCIE也在逐渐向PCIE4.0/5.0/6.0等更高的速率演进。

由于PCIE 3.0信号的速率可以达到8Gb/s，而且链路通道走线也可能会很长，这可能会导致高速信号衰减过大，在接收端无法解析信息。因此在PCIE3.0的Tx和Rx端均使用了均衡设置，以补偿长链路时高速信号的衰减。实际产品中PCIE信号的传输链路的长度是不一致的，有时候长，有时候短，此时可能只需要Tx发送端的均衡即可实现良好的补偿，而不需要Rx端的均衡；或者在Tx发送端与Rx接收端使用相应的均衡等级组合才可能得到最优的眼图。而Tx端有11级Preset均衡设置，Rx端也有具有行为特性(即相关的参数设置会随着情况的不同而不同)的CTLE、DFE等多种均衡算法和设置以及CDR时钟恢复，这使得针对不同的链路情况设置不同的均衡设置变得更加复杂。因此PCIE设备在开机上电第一次协商的时候很难取得最优的均衡参数，不是最优均衡采参数，在数据量较大的情况，就会不可避免产生一些误码。

为了提高可靠性，目前一些现有的做法是监控误码，来执行不同误码数量进行分级告警更换策略，有的是在侦测到一定的误码为避免内核崩溃就直接禁用相应的PCIE设备并提示更换。甚至还有的经过信号完整性测试，筛选一组眼图比较好均衡参数固定在相关设备，由于一个大的系统里PCIE设备很多，在机器中的位置不同，筛选参数的工作量就非常大，另外不同厂商的插卡设备在电路板上走线不同，客户会增加不同厂商的PCIE设备，这组精选的参数无法覆盖所有的设备。如上所述，由于均衡参数组合很多，PCIE设备很难在第一次开机上电就协商到最优参数。直接根据误码侦测就去告警、禁用，有些PCIE设备因为没能第一次协商到最优均衡参数，产生一定数量误码就被告警、替换下来。会给数据中心、客户带来很多维护工作量。这不仅降低了存储产品的可靠性，还造成了资源浪费。

发明内容

针对直接根据误码侦测就去告警、禁用，有些PCIE设备因为没能第一次协商到最优均衡参数，产生一定数量误码就被告警、替换下来。会给数据中心、客户带来很多维护工作量。这不仅降低了存储产品的可靠性，还造成了资源浪费的问题，本发明提供一种提升串行高速总线设备可靠性的容错方法、装置。

本发明的技术方案是：

一方面，本发明技术方案提供一种提升存储系统中串行高速总线设备可靠性的容错方法，包括如下步骤：

设置串行高速总线设备以最高速度运行；

启动误码监测获取可纠正误码的数量；

当第一时间阈值后可纠正误码的累计数量达到第一阈值时，重新训练串行高速总线链路并统计重新训练的次数；