JP2006172175A - メモリエラー訂正システム - Google Patents

Abstract

【課題】 複数のコンピュータシステムからのメモリエラー情報を収集し、収集したメモリエラー情報から障害予測を行うメモリエラー訂正システムを提供することを目的とする。
【解決手段】 メモリエラー情報収集部１０１は、コンピュータシステム群２００，３００で発生したメモリエラー情報を収集する。地域別解析部１０４は、メモリエラー情報収集部１０１が収集したメモリエラー情報からコンピュータシステム群２００，３００の設置地域による統計処理により、地域的に他の地域の傾向から逸脱してメモリエラーが発生しているかを検出する。時系列解析部１０５は、時系列的に判断して他の時間帯から逸脱したメモリエラーが発生しているかを検出する。そのメモリエラーが発生した地域に存在するコンピュータシステム群に通報するため通報部１０６は、各地域に存在するコンピュータシステム群を管理する管理部１０２，１０３へ通知する。
【選択図】 図１

Description

本発明は、コンピュータシステムに発生するメモリエラー情報を収集するメモリエラー訂正システムに関する。

従来、コンピュータシステムにおいて、訂正不可能なメモリエラーに対してはメモリ素子等の恒久的障害を除く放射線等により偶発的に起きるものについては、検出と同時にシステム全体を再初期化するか、メモリが重要な処理に使用されていない場合にはその部分を一時的に切り離すなどの発生後の対策が取られていた。

しかし、このような対策は後手に回るものであり、コンピュータシステムの不意の停止を防げない。また、近年コンピュータシステムのメモリ搭載量は飛躍的に増大しており、システムごとのメモリエラー頻度は無視できないほど大きくなっている。また、分散システムとして構築されるシステムの増加により、システムを構成するコンピュータ台数の増加もあいまって、メモリエラーへの対策が必要であるが、従来の手法ではいつ起きるかわからないものに対する対策が重荷になりつつある。

また、従来の誤り訂正を行う技術としては、以下に示す技術が開示されている。
特開２００１―３２５１５５号公報（以下、特許文献１）では、記憶装置における誤り訂正方法を提供したものであり、誤り発生量を統計的に測定し、測定された誤り発生量が増加する場合には所定の周期を短縮し、測定された誤り発生量が減少する場合には所定の周期を長く設定することにより、放射線強度の変化に追従を可能としつつ誤り率を向上させている。

特開平１０−５０００３号公報（以下、特許文献２）では、メインテナンスをすべき時期を正確に報知するデジタル信号記録再生装置を提供したものであり、磁気テープの使用時に発生するエラーに対するメインテナンスが必要か否かを判断し、メインテナンスを必要とする時期を報知する。

特開平１０−０５５３２０号公報（以下、特許文献３）では、誤り訂正を行ってシステムの暴走や自動リセットを防ぐオンライン・メモリ監視システム及び装置を提供するものであり、１ビットの記憶誤りの数とシステムで観察されたその発生頻度とに基づいて、複数ビットの記憶誤りの発生確率を計算するよう開発された独自の統計的推論方を用いている。

特開平１０−１０７７７５号公報（以下、特許文献４）では、伝送エラーの原因調査を容易にする伝送エラー監視装置を提供するものであり、単位時間毎に分割された各時間帯に個別に記憶するようにしたことで、障害発生時点の詳細な分析を可能にし、障害の原因調査を容易にすることができる。

特開２００４−０６２７１７号公報（以下、特許文献５）では、システム管理者や機器管理者の負荷を増大させることなく、システム異常の発生を迅速に判断する異常通知システムを提供するものであり、人数や利用者数などの統計を集計する手段により、端末ごとのイベント発生回数あるいは画像記録数の平均値（通常値）を求め、その平均値から極端に異なる状況が発生した場合、システムのいずれかに異常が発生したと判断し、その旨を管理者や閲覧者に報知する。
特開２００１−３２５１５５号公報 特開平１０−０５０００３号公報 特開平１０−０５５３２０号公報 特開平１０−１０７７７５号公報 特開２００４−０６２７１７号公報

しかしながら、特許文献１乃至５に記載されている発明では装置内で発生するメモリエラーに対する誤り訂正方法や侵入監視を行うものであり、多数のコンピュータシステムで発生するメモリエラーの情報収集や障害予測を行っていない。

本発明は係る問題に鑑みてなされたものであり、複数のコンピュータシステムからのメモリエラー情報を収集し、収集したメモリエラー情報から障害予測を行うメモリエラー訂正システムを提供することを目的とする。

上記目的を達成するために、請求項１記載のメモリエラー訂正システムであって、複数の地域に存在するコンピュータで発生したメモリエラーを収集する収集手段と、収集手段が収集したメモリエラーの統計処理を行う統計処理手段と、統計処理手段による統計処理結果から、メモリエラーが複数の地域に存在するコンピュータの内の１つの地域から発生しているかを解析する地域別解析手段と、統計処理手段による統計処理結果から時系列的な観点から他の時間帯と比較してメモリエラーの発生率の解析を行う時系列解析手段と、地域別解析手段と時系列解析手段との解析を該当する地域のコンピュータにメモリエラーの発生を通知する通知手段を有することを特徴とする。

請求項２記載の発明は、請求項１記載のメモリエラー訂正システムであって、地域別解析手段は、複数の地域に存在するコンピュータで発生するメモリエラーを複数の地域同士で比較し、ある１つの地域が他の地域と比較することでメモリエラーの発生率を解析することを特徴とする。

請求項３記載の発明は、請求項１記載のメモリエラー訂正システムであって、地域別解析手段は、複数の地域ごとに第１の閾値を設け、メモリエラーが該閾値を超えた否かを判断し、第１の閾値を超えた場合に通知手段によって該当する地域に存在するコンピュータにメモリエラーの発生を通知することを特徴とする。

請求項４記載の発明は、請求項３記載のメモリエラー訂正システムであって、地域別解析手段が有する第１の閾値は、地域ごとに異なる閾値であり、該第１の閾値には地域毎のメモリエラー発生回数が設定されていることを特徴とする。

請求項５記載の発明は、請求項１記載のメモリエラー訂正システムであって、時系列解析手段は、複数の地域に存在するコンピュータ毎にメモリエラーが発生した時間帯を検知し、メモリエラーが発生した時間帯でのメモリエラーの回数と他のメモリエラーが発生した時間帯でのメモリエラーの回数とを比較することを特徴とする。

請求項６記載の発明は、請求項１記載のメモリエラー訂正システムであって、時系列解析手段は、第２の閾値を設け、複数の地域に存在するコンピュータ毎にメモリエラーが発生した時間帯を検知し、該メモリエラーが発生した時間帯におけるメモリエラーの回数と第２の閾値とを比較し、閾値を超えているかを判断することを特徴とする。

請求項７記載の発明は、請求項６記載のメモリエラー訂正システムであって、第２の閾値は、メモリエラーが発生した時間帯との比較を行うためのメモリエラーの発生回数が設定されていることを特徴とする。

本発明によれば、複数のコンピュータシステム群のメモリエラー情報を収集することで障害予測を行うことができると共に、既に設置されているコンピュータシステムそのものを測定器として用いることができる。

次に、図面を参照して本実施形態を説明する。
図１は、データ誤り訂正システムの構成を示した図である。
メモリエラー訂正システムは、メモリエラー訂正装置１００とコンピュータシステム群２００、３００から構成され、さらに、データ誤り訂正装置１００はメモリエラー情報収集部１０１、管理部１０２，１０３、地域別解析部１０４、時系列解析部１０５、通報部１０６から構成されている。

メモリエラー情報収集部１０１は、コンピュータシステム群２００，３００で発生したメモリエラー情報を収集する。地域別解析部１０４は、メモリエラー情報収集部１０１が収集したメモリエラー情報からコンピュータシステム群２００，３００の設置地域による統計処理により、地域的に他の地域の傾向から逸脱してメモリエラーが発生しているかを検出する。

また、時系列解析部１０５は、時系列的に判断して他の時間帯から逸脱したメモリエラーが発生しているかを検出する。地域別解析部１０４、時系列解析部１０５でメモリエラーが発生しているかを検出した場合に、そのメモリエラーが発生した地域に存在するコンピュータシステム群に通報するため通報部１０６は、各地域に存在するコンピュータシステム群を管理する管理部１０２，１０３へ通知する。

管理部１０２，１０３は、メモリエラー情報の通知を受信した場合に、単に警告を発するか自動的に計画的再起動を行うといった各コンピュータシステム群の性質に応じた処置を行う。

次に、図１に示す実施形態の動作を図２に示すフローチャートを参照して説明する。
まず、コンピュータシステム群２００，３００は、多数のパーソナルコンピュータやサーバシステムコンピュータ等からなる。これらのコンピュータシステム群２００，３００では、放射線や宇宙線に起因するメモリエラーが発生しており、エラー訂正またはシステム再初期化を伴いつつ対処されている。多くのメモリエラーは１ビット単位で発生するため、ＥＣＣなどの誤り訂正手段により訂正されることによりコンピュータ自体の動作には影響はない。

しかし、誤り訂正を行ったこと自体はコンピュータシステム内に記録され、個体ごとの保守時の参考などに用いられている。また、ネットワークを通じて参照することも可能である。ここで、特定のコンピュータシステム群の近辺に放射線源が通過したり、宇宙線の増加などにより広範囲にわたってメモリエラーの危険性が増加したとする。そこで、メモリエラー情報収集部１０１は、コンピュータシステム群２００，３００で発生したメモリエラーを収集する（ステップＳ１００）。

次に、収集したメモリエラー情報を統計処理し（ステップＳ１０１）、統計処理の結果、収集したメモリエラー情報が地域的に発生したのか、時系列的に発生したのかを判断する（ステップＳ１０２）。統計処理の結果、収集したメモリエラーが地域的に発生したと判断した場合に（ステップＳ１０２／地域的）、地域別解析部１０４にて統計処理を行ったメモリエラー情報の地域別解析を行う。

地域別解析部１０４では、地域的に他地域の傾向から逸脱してメモリエラーが発生しているかを検出する（ステップＳ１０３）。図１では、コンピュータシステム群は２箇所に設けた構成となっているが、２箇所以上設けてもよい。コンピュータシステム群２００，３００のどちらか一方で、例えば、コンピュータシステム群２００において、放射線や宇宙線等に起因するメモリエラーが発生した場合に、地域別解析部１０４は、メモリエラー情報収集部１０１によるメモリエラー情報の統計処理の結果からコンピュータシステム群２００にメモリエラーが発生したと判断し、通報部１０６が、メモリエラーが発生したコンピュータシステム群２００を管理する管理部１０２へ通報する。

また、収集したメモリエラー情報が時系列的に発生したと判断した場合には（ステップＳ１０２／時系列的）、時系列解析部１０５にて統計処理を行ったメモリエラー情報の時系列解析を行う。時系列解析部１０５では、メモリエラー情報収集部１０１にて収集したメモリエラーの統計結果により時系列的にみて、他の時間帯から逸脱したメモリエラーが発生していると解析した時に（ステップＳ１０４）、時系列的に他の時間帯から逸脱したメモリエラーが発生したコンピュータシステム群に通報部１０６が通報を行う（ステップＳ１０５）。

また、図３には、メモリエラーの頻度に対する閾値を設けた場合の処理動作を示したフローチャートである。
まず、メモリエラー情報収集部１０１がコンピュータシステム群２００，３００で発生したメモリエラー情報を収集する（ステップＳ２００）。次に、収集したメモリエラーが閾値を超えたか判断する（ステップＳ２０２）。ここで、示す閾値とは、収集したメモリエラーの発生回数に対する閾値や地域毎に設定した閾値であってもよい。また、地域毎に閾値を設定する場合、その地域の特有の条件を含めてもよい。例えば、ある地域では、放射線や宇宙線によるメモリエラーが顕著に発生する場合には、そういった要因を含めた閾値であってもよい。

そこで、ステップＳ２００で収集したメモリエラーが閾値を超えていると判断した場合に（ステップＳ２０１／ＹＥＳ）、次に、閾値を超えたメモリエラーが地域的に発生したのか時系列的に発生したのかを判断する（ステップＳ２０２）。閾値を超えたメモリエラーが地域的に発生した場合は（ステップＳ２０２／地域的）、地域別解析部１０４により、どの地域にメモリエラーが発生したかを解析し、通報部１０６へ通知し、通報部１０６がメモリエラーが発生した地域に存在するコンピュータシステムを管理する管理部１０２，１０３へ通報を通知する。（ステップＳ２０５）。

また、閾値を超えたメモリエラーが時系列的に発生した場合は（ステップＳ２０２／時系列）、時系列解析部１０５により他の時間帯と比較して逸脱したメモリエラーが発生していると解析し、逸脱したメモリエラーが発生しているコンピュータシステム群へ通報を行うための通知を通報部１０６へ行い、通報部１０６がメモリエラーが発生したコンピュータシステム群を管理する管理部１０２，１０３へ通知する（ステップＳ２０５）。

上記の処理動作のみならず、例えば通報部１０６に対して他の情報を加味させて通報を行わせることができる。さらに、地域別解析部１０４では、設置場所に緯度や高度などの情報を加えて解析させることも可能である。

本実施形態におけるメモリエラー訂正システムの構成を示した図である。 図１におけるメモリエラー情報収集システムの処理動作を示したフローチャートである。 図１におけるメモリエラー訂正システムの処理動作を示したフローチャートである。

符号の説明

１００ メモリエラー訂正装置
１０１ メモリエラー情報収集部
１０２、１０３ 管理部
１０４ 地域別解析部
１０５ 時系列解析部
１０６ 通報部
２００、３００ コンピュータシステム群

Claims (7)

1. 複数の地域に存在するコンピュータで発生したメモリエラーを収集する収集手段と、
   前記収集手段が収集したメモリエラーの統計処理を行う統計処理手段と、
   前記統計処理手段による統計処理結果から、前記メモリエラーが前記複数の地域に存在するコンピュータの内の１つの地域から発生しているかを解析する地域別解析手段と、
   前記統計処理手段による統計処理結果から時系列的な観点から他の時間帯と比較してメモリエラーの発生率の解析を行う時系列解析手段と、
   前記地域別解析手段と前記時系列解析手段との解析を該当する地域のコンピュータにメモリエラーの発生を通知する通知手段を有することを特徴とするメモリエラー訂正システム。
2. 前記地域別解析手段は、前記複数の地域に存在するコンピュータで発生するメモリエラーを複数の地域同士で比較し、ある１つの地域が他の地域と比較することで前記メモリエラーの発生率を解析することを特徴とする請求項１記載のメモリエラー訂正システム。
3. 前記地域別解析手段は、複数の地域ごとに第１の閾値を設け、前記メモリエラーが該閾値を超えた否かを判断し、前記第１の閾値を超えた場合に前記通知手段によって該当する地域に存在するコンピュータにメモリエラーの発生を通知することを特徴とする請求項１記載のメモリエラー訂正システム。
4. 前記地域別解析手段が有する第１の閾値は、地域ごとに異なる閾値であり、該第１の閾値には地域毎のメモリエラー発生回数が設定されていることを特徴とする請求項３記載のメモリエラー訂正システム。
5. 前記時系列解析手段は、前記複数の地域に存在するコンピュータ毎にメモリエラーが発生した時間帯を検知し、前記メモリエラーが発生した時間帯でのメモリエラーの回数と他のメモリエラーが発生した時間帯でのメモリエラーの回数とを比較することを特徴とする請求項１記載のメモリエラー訂正システム。
6. 前記時系列解析手段は、第２の閾値を設け、前記複数の地域に存在するコンピュータ毎にメモリエラーが発生した時間帯を検知し、該メモリエラーが発生した時間帯におけるメモリエラーの回数と前記第２の閾値とを比較し、閾値を超えているかを判断することを特徴とする請求項１記載のメモリエラー訂正システム。
7. 前記第２の閾値は、前記メモリエラーが発生した時間帯との比較を行うためのメモリエラーの発生回数が設定されていることを特徴とする請求項６記載のメモリエラー訂正システム。

Images