一行代码降低i9-13900K故障率

如果你在开发项目里用过 i9-13900K，可能也遭遇过这种情况：程序跑得好好的，突然间就崩了。检查下来，问题竟然出在 CPU 的供电电压波动上。对于开发团队来说，这类硬件缺陷我们无力改变，但应用又必须要跑起来。 于是我们决定换个角度——从代码入手，看能否通过分析调试，来降低故障率。这篇文章，就是这次尝试的复盘记录。

关注腾讯云开发者，一手技术干货提前解锁👇

01、起源

游戏启动编译PSO的时候会偶尔出现崩溃在shader编译或者驱动里面：

02、踩坑过程

在看到设备详细信息后，第一印象就是CPU故障（i9-13900K的故障率实在太高了），但是在这个机器上多次运行其他游戏以及AIDA64、IPDT等多个测试工具，并没有发现问题，所以首先排除了这方面的可能性，

然后开始了踩坑过程：因为总是崩溃在和dxilconv相关的地方，所以怀疑传递给dxilconv的数据错了，找到dxilconv的源码https://github.com/microsoft/DirectXShaderCompiler.git，编译调试各种折腾，直到截获了一次非常重要的证据，重新把问题聚焦到cpu上：

很明显，rbx+8这个地址上保存的值不为0，但是读到rax的时候变成了0，这是非常明显的cpu的问题，同一天机器也出现了蓝屏，至此，已经可以下定论：这颗CPU是存在江湖传言的缩缸故障的。

03、探索降低CPU故障的程序手段

但是，为什么之前运行其他游戏和benchmark不会出现问题？

是不是意味着有方法可以通过程序的手段降低CPU的故障率？

经过多次对比测试，发现PSO预热和AIDA64不同的地方是：

AIDA64是所有线程都跑满的

PSO预热是单线程跑满，其他线程空闲：

抱着死马当活马医的心态将PSO预热改为多线程，跑满所有的核，最终的结果令人振奋：

修改前基本2到3次就会出现crash，修改后连续启动20+次，都没有crash，同时速度从20多秒下降到不到3秒，时间基本差了一个数量级。

04、事后诸葛亮

Intel曾经对类似的问题做过调研，据说是因为主板过于激进的供电策略加剧了CPU故障的出现

具体到本例满负荷运行没问题，单核满负荷有问题的可能原因，个人推测的原因如下：

主板上对CPU一般采用多组开关电压通过PWM（脉宽调压）方式供电（多相供电），但相数通常少于核数，这种情况下必然会有多个核共用一相供电。当共相的多核中，如果只有其中一个核满负荷的话（假设PWM输出到各个核的线路电阻基本一致），这个核的供电电流必然比其他核大，供电线路的电压降也会增大，实际加到工作的晶体管上的电压相对其他空闲核就会下降，此时主板对CPU供电面临的问题是：

如果增加脉宽提高输出电压，那么空闲核的电压就会升高，很可能会引发过压问题（老化加速和击穿）

如果不提高输出电压，满负荷的核就会欠压，导致逻辑电平0和1区分不开（眼图睁开不够高）

主板供电策略难以兼顾，很容易就会引起故障，但当所有核都处于满负荷的时候，供电都是平衡的，反而不容易出问题。

但由于没有硬件测试环境可以证实，以上纯属推测，如果有大神能够给出明确的结论，请不吝指教。

-End-

原创作者｜柯达昭