Elastic Quarantines: Engineering Rowhammer Mitigation for AI Training Clusters with ECC and TRR
从DRAM物理特性出发，深入分析Rowhammer攻击对AI训练集群的威胁，以及工程层面如何通过ECC、TRR、pTRR、DDR5新特性和操作系统级缓解措施构建纵深防御。
ECC
从 XID 错误到芯片级容错：GPU 显存 ECC 损坏在 AI 训练中的检测、隔离与自愈工程
AI 训练集群规模从百卡扩展到千卡、万卡级别后，GPU 显存错误成为影响训练稳定性和模型收敛性的隐性杀手。与传统 CPU 不同，GPU 显存错误往往表现为"静默数据损坏"（Silent Data Corruption, SDC）——权重悄然翻转一个 bit，Loss 曲线异常抖动，而训练流程本身不会报错退出。本文从硬件 ECC 机制出发，深入讲解 GPU XID 事件解析、内核驱动级错误检测、生产…
Linux 内核 Memory Failure 深度工程：从 MCE 异常到生产级内存故障自愈系统
深入解析 Linux 内核 Memory Failure 子系统，从 MCE 异常触发到页面毒化（HWPoison）的完整链路，涵盖 EDAC 监控、生产自愈 Daemon、预测性 DIMM 替换策略等实战部署方案。
