SDC(Silent Data Corruption,靜默資料損壞)是 CPU、GPU 等晶片在不發出錯誤通知的情況下,輸出錯誤運算結果的現象。程式不會停止也不會出現警告,錯誤資料就被儲存或用於下一次運算,因此稱為「靜默(silent)」。2021年前後,Google 與 Meta 報告自家資料中心的大量伺服器實際發生 SDC,在業界受到高度關注。
原因多半是製造測試時沒發現的微小缺陷,或使用過程中逐漸發展的劣化,而且以非常難發現的形式出現,例如只有在特定指令、特定資料值、特定電壓與溫度組合時才輸出錯誤結果。因為是晶片內部邏輯電路本身的不良,記憶體 ECC 之類既有的錯誤更正機制無法偵測。即使每顆晶片的發生率很低,在運轉數十萬、數百萬台伺服器的資料中心,頻率也無法忽視。
作為對策,半導體廠商強化製造測試,以接近實際程式運作的系統級測試(SLT)與重新檢討測試圖樣來提高偵測率。資料中心的營運者則導入在運轉中的伺服器定期執行診斷程式、找出可疑核心並將其隔離的機制。隨著 AI 訓練等以大量晶片長時間持續運算的用途擴大,SDC 對策的重要性更加提高。