タグ: 故障診断

  • Microsoftの液空HRU、冷却液の熱を空気へ渡す装置の流量診断

    Microsoftの液空HRU、冷却液の熱を空気へ渡す装置の流量診断

    液冷の装置を設置しても、冷却液が予定どおり流れなければ、期待した熱を運べません。ポンプの能力だけでなく、ホースの曲がり方、弁の状態、フィルターや気泡までが、実際の流れを変えます。

    2026年8月のOCP APAC SummitでMicrosoftが紹介したのは、液体から空気へ熱を渡すHRU(Heat Reduction Unit)を、大規模に導入・保守するための考え方です。焦点は、運転が始まってから故障を探すだけでなく、初期設定の段階で流れの異常を見つけ、装置自身が状態を知らせる設計にあります。[1・2]

    簡単にまとめると?

    • 液空HRUは、サーバーから冷却液が運んだ熱を空気へ渡す装置です。
    • 流量はポンプと流路の釣り合いで決まり、弁やホースの状態も影響します。
    • 導入時の診断と原因別の通知を重視しますが、資料の改善数値は実測の保証値ではありません。

    冷却液で集めた熱を、空気へ渡す

    資料の液空HRUは、サーバーのコールドプレートから戻った冷却液を、液空熱交換器のコイルへ通します。ファンウォールで空気を流し、液体が運んだ熱をホットアイル側へ渡す構成です。ポンプ、リザーバーや膨張タンク、マニホールド、温度・圧力・流量の計測点も含まれます。[2]

    ここでHRUは、熱を消しているわけではありません。チップから冷却液へ移った熱を、今度は空気へ受け渡しています。したがって、液体側の流れと、空気側の熱の受け入れが、どちらも成立する必要があります。

    流量は、ポンプと流路の両方で決まる

    流れにくさを表すのが、流量に対する圧力損失です。資料では液体系のインピーダンスとして説明されています。マニホールド、弁、ホース、QD、コールドプレート、フィルターなど、流路に入る部品がそれぞれ抵抗を加えます。[2]

    実際の動作点は、ポンプが生み出せる圧力と、流路が必要とする圧力の釣り合いで決まります。同じポンプでも、弁が十分に開いていなかったり、ホースが折れ曲がっていたりすれば、設計時とは違う流量になります。「ポンプが動いている」と「必要な量が流れている」を分けて確かめる理由です。

    そのため発表では、最初の充填時から流れにくさと圧力を確認することを重視しています。初期の組立てや設定の問題を見逃すと、運用後の温度異常や、原因を絞れない警報として現れかねません。[2]

    一つの警報に、違う原因を押し込めない

    たとえば流量が少ないとき、ポンプの異常、弁の閉止、フィルターの詰まり、充填不足や気泡では、調べる場所も対処も違います。すべてが一つの「冷却異常」という警報になれば、正しい部品を選んで交換することも難しくなります。

    Microsoftの資料は、ポンプ保護、流量と流体系、漏れと液位、温度、設定と操作を分けた検知階層を示しています。過熱や過圧、空運転、極端な低流量、フィルター詰まり、リザーバー液位などを、条件に対応したコードで知らせる考え方です。[2]

    何かが悪いと知らせるだけでなく、何を先に確かめればよいかまで絞れることが、保守を支えます。同時に、閾値は機器の世代や構成に合わせて調整する必要があります。

    工場から本稼働まで、確認を段階に分ける

    発表では、故障モード影響解析(FMEA)を、設計側と作業工程側の両方へ適用する方針が示されています。部品が壊れる場面だけでなく、作業で弁を閉じたままにするような誤操作も想定して、検知と自己保護を確かめます。[2]

    資料の導入フローは、工場での状態確認から、現地での流体系の診断、設定値の自動適用、IT機器への給電、最終確認を経て本稼働へ進む構成です。センサー、弁、フィルター、液位、流量を初期段階で調べ、冷却液の状態に合わせて制御を整えます。[2]

    自動化の価値は、単に作業を速くすることだけではありません。同じ確認を毎回行い、手順の抜けを本稼働へ持ち込まないことにもあります。写真を用いた作業手順や、条件ごとの案内は、その確認を現場で再現しやすくする手段です。

    改善率より、改善につながる仕組みを読む

    資料には、導入時間や誤った部品交換、耐久性などの改善を示す数字もあります。ただし、該当ページには、説明のための概数であり、正確な運用データではないと明記されています。この発表から実測の改善率や、導入後の効果を保証することはできません。[2]

    それでも、設計の方向は明確です。流量不足を早く見つけること、原因ごとに知らせること、点検までの間に自己保護できること。液冷を使い続けるためには、熱交換器の性能と同じくらい、導入時に正しく整え、その状態を読み取れる仕組みが重要になります。

    Microsoftの事業をもう少し知る

    Azureを含むクラウド、業務ソフト、Windowsなど、Microsoft全体の事業についてはcyclewaveの企業解説にまとめています。

    参考資料

    2026年9月27日確認。HRUの名称と構成は今回の講演資料に沿っています。

    [1]Open Compute Project「2026 OCP APAC Summit」発表一覧

    [2]Microsoft「Liquid-to-Air HRU Cooling at Scale: Serviceability and Fleet-Safe Maintenance Practices」公式掲載スライド。構成と圧力損失はpp.4–5、導入・保守の課題はpp.6–7、FMEAと検知・導入工程はpp.8–10、数値の留意事項はpp.6・11。

  • Everpureが示すメモリーエラー診断、DIMM以外の原因も記録から調べる

    Everpureが示すメモリーエラー診断、DIMM以外の原因も記録から調べる

    サーバーに「メモリーエラー」と表示されると、DIMMを交換したくなります。でも、その表示が教えてくれるのは、まずメモリーを通る処理で異常が見えたということです。原因までDIMMにあると決まったわけではありません。

    2026年8月のOCP APAC Summitで、EverpureのMeeta Saggi氏は、メモリーエラーを装置全体の状態を知る手がかりとして読む方法を示しました。エラーが記録された場所と、壊れた場所を分けて考える。単純ですが、不要な交換を避け、原因に合った対応を選ぶための大切な一歩です。[1・2]

    簡単にまとめると?

    • メモリーエラーは異常を見つけた場所の情報であり、DIMM自体が原因と決まったわけではありません。
    • エラーの件数だけでなく、発生箇所・時刻・繰り返し方を、周辺機器や設定の記録と合わせて調べます。
    • 共通形式で記録と対応案を渡しても、部品交換などを決める前には運用側の検証が必要です。

    エラーを報告した場所と、原因の場所

    DIMMは、サーバーで使うメモリーモジュールです。訂正できたエラーはCE(Correctable Error)、訂正できなかったエラーはUE(Uncorrectable Error)として記録されます。これらは対処の重要な信号ですが、件数だけでDIMMの故障を確定できません。[2]

    信号はCPUのメモリーコントローラー、パッケージ内の接続、基板上の配線やコネクター、DIMMのスロットを通ります。また、PCIe機器で生じたpoison(不正なデータ)がDMA経由でシステムメモリーに伝わり、後から観測される例もあります。見えているエラーを追うには、この経路全体を候補として残す必要があります。もちろん、DIMM自体が故障している場合もあります。[2]

    エラーの回数だけでは、原因を絞れない

    発表資料は、訂正可能エラーが多い場面でも、弱いメモリーセル、信号線の異常、接続部の不安定さなど、異なる原因を考えられると示します。同じ件数でも、起きた場所や時間の並び方が違えば、必要な点検も変わります。資料の故障割合を描いた図は説明用と明記され、実測の発生率ではありません。[2]

    具体例には、DQデータ線の異常、BIOS/RASの設定不備でシステム管理モード(SMM)の処理負荷が増えて遅延が大きくなるケース、PCIe機器から伝わった不正なデータがメモリー上で観測されるケースが挙げられます。これらは「DIMMを替えれば直る」と早合点しないための診断例であり、どの機器でも同じ原因の割合で起きるという統計ではありません。[2]

    記録、分析、対応を別の段階にする

    発表では、OCPのHardware Fault ManagementとRAS APIの枠組みを使い、流れを四つに分けます。まずCPU、メモリー、周辺機器がエラーを報告し、収集側が履歴を残す。分析器は新しい記録だけでなく、同じ報告元の過去の記録も合わせて見て、考えられる故障と対応を提案する。最後に、運用側のポリシーがその提案を受け入れるか決めます。[2・3]

    共通のエラー記録はCPER(Common Platform Error Record)、提案する対応を表す記述子はCPAD(Common Platform Action Descriptor)です。CPADは「自動的にDIMMを交換せよ」という命令ではありません。資料の図でも、分析器の出した提案をポリシー層が検証してから、部品交換、修復、設定変更などの対応につなげます。[2・3]

    共通の記録形式があっても、診断は続く

    OCPが公開したRAS API v0.9は、CPERとCPADを扱うためのインターフェースやデータ構造を示す中間版です。通信に使う下位の仕組みを一つに固定せず、部品ごとの実装や分析方法に余地を残しています。この仕様があることと、すべてのサーバーで高精度な原因推定が実現済みであることは別です。[3]

    メモリーエラーを見たら、まずCE/UEの種類、発生箇所、時刻、繰り返し方を確認し、ほかの機器や設定の記録と合わせて見る。DIMMは重要な候補の一つとして残しながら、交換だけを最初の答えにしない。発表が伝えるのは、メモリーを「犯人」ではなく、原因を探すための信号源として使う考え方です。[2]

    Everpure(旧Pure Storage)の事業や収益の仕組みは、cyclewaveの企業解説にまとめています。

    参考資料

    2026年9月24日確認。本文は公開スライドとOCPのRAS API文書を照合しています。発表動画の発言・質疑は確認対象に含めていません。

    [1]Open Compute Project「2026 OCP APAC Summit」発表一覧。演題、登壇者、資料掲載。

    [2]Meeta Saggi「Memory Errors as System Signals – Don’t shoot the messenger」公式掲載スライド。全13頁。原因候補と説明用の割合図はpp.4–7、CPER/CPADの流れはpp.8–9。

    [3]Open Compute Project「RAS API Specification Version 0.9」。2025年12月の中間版。対象範囲はpp.8–10、CPER/CPADの構造はpp.16–23。