我有几百台计算机在运行一个应用程序。在一台计算机上，我看到在我从 SQLite 中提取的某些字符串上错误地设置了单个位的两个实例。如果这是我的开发计算机，我会假设我在某个地方有错误，但肯定有一些安装次数，此时我会开始看到罕见的基于硬件的错误。
这当然取决于我做了多少 IO，但是当有机会看到这种事情时，是否有任何经验法则？例如，对于 TCP 数据包，this paper 确定“1600 万到 100 亿个数据包中大约有 1 个”会发生静默、未被检测到的损坏。
很遗憾，不太可能在相关机器上运行内存/磁盘检查器。
【问题讨论】：
标签： sqlite hardware corruption
当我注意到奇怪的事情发生时，我的策略是：
在我长达 10 年的职业生涯中，99.99% 的错误与软件相关。
希望这会有所帮助。
【讨论】：
有细微的错误，它可能随时发生，并且来自多个来源，甚至是most unlikely。
您可以看到单台机器上发生错误，最好的选择是处理损坏，而不是依靠统计数据来告诉您何时可能出现问题。虽然错误可能是由于外部因素造成的，但如果您看到不止一个错误，最好让 memchecker 在机器上运行以检查其硬件是否存在故障。另一种选择是相信运气，你不会看到完全失败。
【讨论】：
会发生位错误。考虑使用 CRC 或其他类型的错误检测/纠正机制来保护您的数据。它发生的几率取决于你拥有什么样的硬件。如果您有带有 ECC 的内存，那么它比没有的可能性要小，但即使是 ECC 内存也会变坏并且可能无法纠正错误。如果有数百台计算机，我会说奇怪的硬件错误很有可能每天都会发生。
【讨论】：
"Wikipedia: ECC memory" 说 “最近的 DRAM 测试给出了广泛变化的错误率，差异超过 7 个数量级，范围从 10^-10 到 10^-17 错误/bit·h，大约 1 位错误，每小时，每 GB 内存到 1 位错误，每世纪，每 GB 内存。[7][11][12]"
即使我们使用每千兆字节每世纪 1 位错误的最乐观估计，如果您有一个由 100 台计算机组成的集群，每台计算机具有 2 GB 的 RAM，这意味着您每年会看到两次位错误。 （这仅包括 RAM 位错误。您提到了 TCP 数据包未检测到损坏，您还可能考虑磁盘驱动器故障、电源线意外拔出、冷却风扇故障等）。 更悲观的估计意味着您会更频繁地看到误码——正如史蒂夫贝克所说，误码是不可避免的。
【讨论】：
关掉那台机器。在我目前的职位（约 7 年）中，我曾经见过一次由硬件内存错误引起的蓝屏。如果您在同一台机器上看到两次位错误故障，那么您很有可能找到了罪魁祸首。在同一时期，我看到了几十个磁盘控制器故障/磁盘故障/注册表损坏蓝屏。所以它们很少见，但确实会发生。
在网络方面，我们遇到过一个案例，3d 方供应商的 WAN 压缩设备错误地将我们的应用 TCP 数据包压缩在一起，然后对其进行了良好的 CRC。至少可以说，这造成了严重破坏。
【讨论】：