4.2.2. RBER ja ketta vanus (välja arvatud PE tsüklid).
Joonis 1 näitab olulist korrelatsiooni RBER ja vanuse vahel, mis on kuude arv, mille jooksul ketas on põllul olnud. See võib aga olla vale korrelatsioon, kuna on tõenäoline, et vanematel draividel on rohkem PE-sid ja seetõttu on RBER rohkem korrelatsioonis PE-tsüklitega.
Et kõrvaldada vanuse mõju PE-tsüklitest põhjustatud kulumisele, rühmitasime kõik kasutuskuud konteineritesse, kasutades konteinerite vahelise piirina PE tsükli jaotuse detsiile, näiteks esimene konteiner sisaldab kõiki ketta elukuusid kuni PE tsükli jaotuse esimene detsiil ja nii edasi Edasi. Kontrollisime, et igas konteineris on PE-tsüklite ja RBER-i vaheline korrelatsioon üsna väike (kuna iga konteiner katab ainult väikese PE-tsüklite vahemiku), ja seejärel arvutasime iga konteineri jaoks eraldi korrelatsioonikoefitsiendi RBER-i ja ketta vanuse vahel.
Tegime selle analüüsi iga mudeli jaoks eraldi, kuna kõik täheldatud korrelatsioonid ei ole tingitud erinevustest nooremate ja vanemate mudelite vahel, vaid ainult sama mudeli draivide vanusest. Täheldasime, et isegi pärast PE-tsüklite mõju piiramist ülalkirjeldatud viisil oli kõigi ajamite mudelite puhul siiski oluline korrelatsioon põllul oldud kuude arvu ja selle RBERi vahel (korrelatsioonikoefitsiendid jäid vahemikku 0,2–0,4). ).
Riis. 3. Seos RBER ja PE tsüklite arvu vahel uute ja vanade ketaste puhul näitab, et ketta vanus mõjutab RBER väärtust sõltumata kulumisest põhjustatud PE tsüklitest.
Samuti visualiseerisime graafiliselt draivi vanuse mõju, jagades draivi kasutamise päevad "noores" vanuses kuni 1 aasta ja draivi kasutamise päevad vanuses üle 4 aasta ning seejärel joonistasime iga draivi RBER. rühm PE tsüklite arvu suhtes. Joonisel 3 on näidatud need tulemused MLC-D ajami mudeli kohta. Näeme märgatavat erinevust RBER-i väärtustes vanade ja uute ketaste rühmade vahel kõigi PE-tsüklite jooksul.
Sellest järeldame, et vanusel, mõõdetuna põllul ketta kasutamise päevade järgi, on oluline mõju RBER-ile, olenemata PE-tsüklitega kokkupuutest tingitud mälurakkude kulumisest. See tähendab, et ketta füüsilises kulumises mängivad suurt rolli muud tegurid, näiteks räni vananemine.
4.2.3. RBER ja töökoormus.
Arvatakse, et bitivigu põhjustab üks neljast mehhanismist:
- salvestusvead Säilitusvead, kui mäluelement kaotab aja jooksul andmeid
Lugemishäire vead, mille puhul lugemisoperatsioon kahjustab kõrvalasuva lahtri sisu; - Kirjutada häirivad vead, mille puhul lugemisoperatsioon kahjustab kõrvalasuva lahtri sisu;
- Mittetäieliku kustutamise vead, kui kustutamistoiminguga ei kustutata lahtri sisu täielikult.
Viimase kolme tüüpi vead (lugemine häirib, kirjutamine häirib, mittetäielik kustutamine) on korrelatsioonis töökoormusega, seega aitab RBER-i ja töökoormuse vahelise seose mõistmine mõista erinevate veamehhanismide levimust. Hiljutises uuringus "Välkmälu tõrgete laiaulatuslik uuring valdkonnas" (MEZA, J., WU, Q., KUMAR, S., MUTLU, O. "A laiaulatuslik uuring välkmälu tõrgete kohta aastal valdkond." Proceedings of the 2015 ACM SIGMETRICS International Conference on Measurement and Modeling of Computer Systems, New York, 2015, SIGMETRICS '15, ACM, lk. 177–190) järeldasid, et salvestusvead on valdkonnas ülekaalus, lugemisvead aga lugemisvead. on üsna väikesed.
Joonis 1 näitab olulist seost teatud ketta kasutusea kuu RBER väärtuse ja samal kuul lugemiste, kirjutamiste ja kustutamiste arvu vahel mõne mudeli puhul (näiteks korrelatsioonikoefitsient on MLC - B puhul suurem kui 0,2 mudelil ja suurem kui 0,6 SLC-B puhul). Siiski on võimalik, et tegemist on vale korrelatsiooniga, kuna igakuine töökoormus võib olla seotud PE tsüklite koguarvuga.
Kasutasime sama metoodikat, mida on kirjeldatud jaotises 4.2.2, et isoleerida töökoormuse mõju PE-tsüklite mõjudest, eraldades kuude pikkuse ajami töö eelmiste PE tsüklite põhjal ja seejärel määrates iga konteineri jaoks eraldi korrelatsioonikoefitsiendid.
Nägime, et korrelatsioon antud ketta kasutusea kuu lugemiste arvu ja selle kuu RBER-i väärtuse vahel püsis MLC-B ja SLC-B mudelite puhul isegi PE-tsüklite piiramisel. Kordasime ka sarnast analüüsi, kus välistasime lugemiste mõju samaaegsete kirjutamiste ja kustutamiste arvule ning jõudsime järeldusele, et RBER-i ja lugemiste arvu vaheline korrelatsioon kehtib SLC-B mudeli puhul.
Joonisel 1 on näidatud ka korrelatsioon RBER-i ning kirjutamis- ja kustutamistoimingute vahel, seega kordasime lugemis-, kirjutamis- ja kustutamistoimingute puhul sama analüüsi. Me järeldame, et PE-tsüklite ja lugemiste mõju piiramisel puudub seos RBER-i väärtuse ning kirjutamiste ja kustutamiste arvu vahel.
Seega on kettamudeleid, kus lugemise rikkumise vead mõjutavad oluliselt RBER-i. Teisest küljest puuduvad tõendid selle kohta, et RBER-i mõjutaksid kirjutamisrikkumise ja mittetäieliku kustutamise vead.
4.2.4 RBER ja litograafia.
Objekti suuruse erinevused võivad osaliselt selgitada RBER-i väärtuste erinevusi sama tehnoloogiat kasutavate ajamite mudelite vahel, st MLC või SLC. (Sellesse uuringusse kaasatud erinevate mudelite litograafia ülevaadet leiate tabelist 1).
Näiteks kahel 2 nm litograafiaga SLC mudelil (mudelid SLC-A ja SLC-D) on RBER, mis on suurusjärgu võrra kõrgem kui kahel 34 nm mikroelektroonilise litograafiaga mudelil (mudelid SLC-B ja SLC-C). MLC mudelite puhul on ainult 2 nm mudelil (MLC-B) keskmine RBER, mis on 50% kõrgem kui ülejäänud kolmel 43 nm litograafiaga mudelil. Veelgi enam, see erinevus RBER-is suureneb 50 korda, kui draivid kuluvad, nagu on näidatud joonisel 3. Lõpuks võib õhem litograafia seletada eMLC-draivide kõrgemat RBER-i võrreldes MLC-draividega. Üldiselt on meil selgeid tõendeid selle kohta, et litograafia mõjutab RBER-i.
4.2.5. Muude vigade olemasolu.
Uurisime seost RBER-i ja muud tüüpi vigade (nt parandamatud vead, ajalõpuvead jne) vahel, eelkõige seda, kas RBER-i väärtus muutub kõrgemaks pärast kuuajalist kokkupuudet muud tüüpi vigadega.
Jooniselt 1 on näha, et kuigi eelmise kuu RBER ennustab tulevasi RBER-i väärtusi (korrelatsioonikoefitsient suurem kui 0,8), ei ole parandamatute vigade ja RBERi vahel (joonisel 1 kõige parempoolne üksuste rühm) olulist korrelatsiooni. Muud tüüpi vigade puhul on korrelatsioonikoefitsient veelgi madalam (joonisel pole näidatud). Uurisime täiendavalt seost RBER-i ja parandamatute vigade vahel käesoleva artikli jaotises 5.2.
4.2.6. Muude tegurite mõju.
Leidsime tõendeid selle kohta, et on tegureid, millel on oluline mõju RBER-ile, mida meie andmed ei suutnud arvesse võtta. Eelkõige märkasime, et antud kettamudeli RBER varieerub sõltuvalt klastrist, milles ketas on juurutatud. Hea näide on joonis 4, mis näitab RBER-i PE-tsüklite funktsioonina MLC-D draividele kolmes erinevas klastris (katkendjooned) ja võrdleb seda selle mudeli RBER-iga draivide koguarvu suhtes (pidev joon). Leiame, et need erinevused püsivad isegi siis, kui piirame selliste tegurite mõju nagu ketta vanus või lugemiste arv.
Selle üheks võimalikuks seletuseks on töökoormuse tüübi erinevused klastrite lõikes, kuna täheldame, et klastritel, mille töökoormusel on suurim lugemis-/kirjutussuhe, on kõrgeim RBER.
Riis. 4 a), b). RBER-i mediaanväärtused kolme erineva klastri PE-tsüklite funktsioonina ja lugemise/kirjutamise suhte sõltuvus PE-tsüklite arvust kolme erineva klastri jaoks.
Näiteks joonisel 4(b) on näidatud MLC-D draivimudeli erinevate klastrite lugemis-/kirjutussuhted. Kuid lugemise/kirjutamise suhe ei selgita kõikide mudelite klastrite vahelisi erinevusi, seega võib esineda muid tegureid, mida meie andmed ei arvesta, näiteks keskkonnategurid või muud välised töökoormuse parameetrid.
4.3. RBER kiirendatud vastupidavustesti ajal.
Enamik teaduslikke töid, aga ka tööstuslikus mastaabis kandjate ostmisel tehtud katseid, ennustavad kiirendatud vastupidavustestide tulemuste põhjal seadmete töökindlust valdkonnas. Otsustasime välja mõelda, kui hästi vastavad selliste testide tulemused praktilisele kogemusele pooljuht-andmekandjate kasutamisel.
Google'i andmekeskustele tarnitavate seadmete üldise kiirendatud testimise metoodikaga läbi viidud testitulemuste analüüs näitas, et välja RBER väärtused on prognoositust oluliselt kõrgemad. Näiteks eMLC-a mudeli puhul oli välitingimustes töötavate ketaste keskmine RBER (testimise lõpuks jõudis PE tsüklite arv 600-ni) 1e-05, samas kui esialgse kiirendatud testimise tulemuste kohaselt oli see RBER. väärtus peaks vastama rohkem kui 4000 PE tsüklile. See näitab, et laboratoorsetest testidest saadud RBER-i hinnangute põhjal on väga raske täpselt ennustada RBER väärtust.
Samuti märkisime, et teatud tüüpi vigu on kiirendatud testimise ajal üsna raske reprodutseerida. Näiteks MLC-B mudeli puhul esineb peaaegu 60% draividest kohapeal parandamatuid vigu ja peaaegu 80% draividest tekivad halvad plokid. Kuid kiirendatud vastupidavustesti ajal ei ilmnenud üheski kuuest seadmest parandamatuid vigu enne, kui ajamid jõudsid PE-tsükli piirini rohkem kui kolm korda. eMLC mudelite puhul ilmnesid parandamatud vead rohkem kui 80% draividest põllul, samas kui kiirendatud testimise ajal ilmnesid sellised vead pärast 15000 XNUMX PE-tsüklini jõudmist.
Vaatasime ka varasemas uurimistöös teatatud RBER-i, mis põhines kontrollitud keskkonnas tehtud katsetel, ja jõudsime järeldusele, et väärtuste vahemik oli äärmiselt lai. Näiteks L.M. Grupp ja teised esitavad oma 2009–2012 töös RBER-i väärtused ajamite kohta, mis on lähedal PE tsükli piiride saavutamisele. Näiteks SLC- ja MLC-seadmete puhul, mille litograafia suurus on sarnane meie töös kasutatavatele (25–50 nm), jääb RBER-i väärtus vahemikku 1e-08 kuni 1e-03, kusjuures enamiku testitud ajamite mudelite RBER väärtus on 1e- lähedal. 06.
Meie uuringus olid kolmel ajamimudelil, mis jõudsid PE tsükli piirini, RBER-id vahemikus 3e-08 kuni 8e-08. Isegi kui võtta arvesse, et meie arvud on madalamad ja võivad absoluutselt halvimal juhul olla 16 korda suuremad või kui võtta arvesse RBERi 95. protsentiili, on meie väärtused siiski oluliselt madalamad.
Üldiselt, kuigi tegelikud väli-RBER-i väärtused on kiirendatud vastupidavustestide põhjal prognoositud väärtustest kõrgemad, on need siiski madalamad kui enamikul sarnaste seadmete RBER-i väärtustest, mida on kirjeldatud teistes uurimistöödes ja mis on arvutatud laboratoorsete testide põhjal. See tähendab, et te ei tohiks tugineda prognoositud välja RBER väärtustele, mis on tuletatud kiirendatud vastupidavuse testimisel.
5. Parandamatud vead.
Arvestades parandamatute vigade (UE) laialdast esinemist, mida käsitleti käesoleva artikli 3. osas, uurime selles jaotises nende omadusi üksikasjalikumalt. Alustuseks arutame, millist mõõdikut UE mõõtmiseks kasutada, kuidas see on seotud RBER-iga ja kuidas erinevad tegurid UE-d mõjutavad.
5.1. Miks UBER-i suhtarv pole mõttekas.
Parandamatuid vigu iseloomustav standardne mõõdik on UBER-i parandamatu bitivigade määr, st parandamatute bitivigade arvu ja loetud bittide koguarvu suhe.
See mõõdik eeldab kaudselt, et parandamatute vigade arv on kuidagi seotud loetud bittide arvuga ja seetõttu tuleb see selle arvuga normaliseerida.
See eeldus kehtib parandatavate vigade puhul, mille puhul leitakse, et antud kuul täheldatud vigade arv on tugevas korrelatsioonis sama perioodi lugemiste arvuga (Spearmani korrelatsioonikordaja on suurem kui 0.9). Nii tugeva korrelatsiooni põhjuseks on asjaolu, et isegi üks halb bitt, kuni see on ECC-ga parandatav, suurendab vigade arvu iga lugemisoperatsiooniga, millele see ligi pääseb, kuna halba bitti sisaldava lahtri hindamine on tõrke tuvastamisel kohe ei parandata (kettad kirjutavad kahjustatud bittidega lehti ainult perioodiliselt ümber).
Sama eeldus ei kehti parandamatute vigade kohta. Parandamatu viga välistab kahjustatud ploki edasise kasutamise, seega ei mõjuta selline plokk pärast avastamist vigade arvu tulevikus.
Selle eelduse ametlikuks kinnitamiseks kasutasime erinevaid mõõdikuid, et mõõta seost antud ketta kasutusea kuu lugemiste arvu ja parandamatute vigade arvu vahel sama aja jooksul, sealhulgas erinevaid korrelatsioonikordajaid (Pearson, Spearman, Kendall) , samuti graafikute visuaalne kontroll . Lisaks parandamatute vigade arvule vaatlesime ka parandamatute veajuhtumite esinemissagedust (st tõenäosust, et kettal esineb teatud aja jooksul vähemalt üks selline juhtum) ja nende seost lugemistoimingutega.
Me ei leidnud mingeid tõendeid seose kohta lugemiste arvu ja parandamatute vigade arvu vahel. Kõigi ajamite mudelite puhul olid korrelatsioonikoefitsiendid alla 0.02, XNUMX ja graafikud ei näidanud UE tõusu, kuna lugemite arv suurenes.
Selle artikli jaotises 5.4 käsitleme seda, et ka kirjutamis- ja kustutamistoimingutel pole mingit seost parandamatute vigadega, seega pole UBER-i alternatiivsel definitsioonil, mis normaliseeritakse lugemistoimingute asemel kirjutamis- või kustutamistoimingutega, tähendust.
Seetõttu järeldame, et UBER ei ole mõttekas mõõdik, välja arvatud juhul, kui seda testitakse kontrollitud keskkondades, kus katsetaja määrab lugemiste arvu. Kui UBER-i kasutatakse välitestimisel mõõdikuna, vähendab see kunstlikult suure lugemisarvuga draivide veamäära ja suurendab kunstlikult madala lugemisarvuga draivide veamäära, kuna parandamatud vead ilmnevad sõltumata lugemiste arvust.
5.2. Parandamatud vead ja RBER.
RBER-i olulisust seletatakse asjaoluga, et see on ajami üldise töökindluse määramise mõõdik, mis põhineb eelkõige parandamatute vigade tõenäosusel. N. Mielke jt tegid 2008. aastal oma töös esimesena ettepaneku defineerida eeldatav parandamatu veamäär RBER-i funktsioonina. Sellest ajast peale on paljud süsteemiarendajad kasutanud sarnaseid meetodeid, nagu näiteks eeldatava parandamatu veamäära hindamine RBER ja ECC tüübi funktsioonina.
Selle jaotise eesmärk on iseloomustada, kui hästi RBER ennustab parandamatuid vigu. Alustame joonisega 5a, millel on kujutatud mitme esimese põlvkonna draivi mudelite keskmine RBER võrreldes nende kasutuspäevade protsendiga, mil esines parandamatuid UE vigu. Tuleb märkida, et osa graafikul näidatud 16 mudelist ei ole tabelis 1 analüütilise teabe puudumise tõttu kaasatud.
Riis. 5a. Seos keskmise RBER-i ja erinevate ajamite mudelite parandamatute vigade vahel.
Riis. 5b. Seos keskmise RBER-i ja sama mudeli erinevate draivide parandamatute vigade vahel.
Tuletage meelde, et kõik sama põlvkonna mudelid kasutavad sama ECC mehhanismi, nii et mudelitevahelised erinevused ei sõltu ECC erinevustest. Me ei näinud RBERi ja UE vahejuhtumite vahel korrelatsiooni. Lõime sama graafiku 95. protsentiili RBER versus UE tõenäosuse jaoks ja jällegi ei näinud korrelatsiooni.
Järgmisena kordasime analüüsi üksikute draivide puhul granulaarsel tasemel, st püüdsime välja selgitada, kas on draive, kus kõrgem RBER väärtus vastab kõrgemale UE sagedusele. Näitena on joonisel fig 5b kujutatud MLC-c mudeli iga draivi keskmine RBER võrreldes kasutajaseadmete arvuga (tulemused on sarnased 95. protsentiili RBER-iga saadud tulemustega). Jällegi, me ei näinud RBERi ja UE vahel korrelatsiooni.
Lõpuks teostasime täpsema ajastusanalüüsi, et uurida, kas kõrgema RBER-iga draivide töökuud vastavad kuudele, mille jooksul UE-d esinesid. Joonisel 1 on juba näidatud, et parandamatute vigade ja RBERi vaheline korrelatsioonikoefitsient on väga madal. Samuti katsetasime erinevaid viise UE tõenäosuse joonistamiseks RBER-i funktsioonina ja korrelatsiooni tõendeid ei leidnud.
Seega järeldame, et RBER on UE ennustamiseks ebausaldusväärne mõõdik. See võib tähendada, et tõrkemehhanismid, mis viivad RBER-i, erinevad mehhanismidest, mis põhjustavad parandamatuid vigu (nt üksikutes lahtrites sisalduvad vead versus kogu seadmega esinevad suuremad probleemid).
5.3. Parandamatud vead ja kulumine.
Kuna välkmälu üks peamisi probleeme on kulumine, siis joonisel 6 on näidatud igapäevane parandamatute ajamivigade tõenäosus PE-tsüklite funktsioonina.
Joonis 6. Igapäevane parandamatute ajamivigade esinemise tõenäosus sõltuvalt PE tsüklitest.
Märgime, et UE tõenäosus suureneb pidevalt koos sõidu vanusega. Kuid nagu RBER-i puhul, on kasv aeglasem, kui tavaliselt eeldatakse: graafikud näitavad, et UE-d kasvavad PE-tsüklitega pigem lineaarselt kui eksponentsiaalselt.
Kaks järeldust, mille me tegime RBER-i kohta, kehtivad ka kasutajaseadmete kohta: esiteks ei suurene veapotentsiaal selgelt pärast PE tsükli piirini jõudmist, näiteks joonisel 6 MLC-D mudeli puhul, mille PE tsükli piir on 3000. Teiseks, teiseks , on veamäär erinevate mudelite puhul erinev, isegi samas klassis. Need erinevused ei ole aga nii suured kui RBER-i puhul.
Lõpuks leidsime jaotises 5.2 esitatud järelduste toetuseks, et ühes mudeliklassis (MLC vs. SLC) ei pruugi antud arvu PE-tsüklite puhul madalaima RBER-väärtusega mudelid olla kõige madalamad. UE esinemise tõenäosus. Näiteks üle 3000 PE tsükli MLC-D mudelitel olid RBER väärtused 4 korda madalamad kui MLC-B mudelitel, kuid sama arvu PE tsüklite UE tõenäosus oli MLC-D mudelite puhul veidi suurem kui MLC-B mudelite puhul. mudelid.
Joonis 7. Igakuine parandamatute ajamivigade esinemise tõenäosus funktsioon varasemate erinevat tüüpi vigade olemasolust.
5.4. Parandamatud vead ja töökoormus.
Samadel põhjustel, miks töökoormus võib mõjutada RBER-i (vt jaotis 4.2.3), võib eeldada, et see mõjutab ka UE-d. Näiteks kuna täheldasime, et lugemise rikkumise vead mõjutavad RBER-i, võivad lugemistoimingud suurendada ka parandamatute vigade tõenäosust.
Viisime läbi üksikasjaliku uuringu töökoormuse mõju kohta Euroopa Liidule. Kuid nagu jaotises 5.1 märgitud, ei leidnud me seost UE ja lugemiste arvu vahel. Kordasime sama analüüsi kirjutamis- ja kustutamistoimingute jaoks ning jällegi ei näinud korrelatsiooni.
Pange tähele, et esmapilgul näib see olevat vastuolus meie varasema tähelepanekuga, et parandamatud vead on korrelatsioonis PE-tsüklitega. Seetõttu võib eeldada korrelatsiooni kirjutamis- ja kustutamistoimingute arvuga.
Kuid oma PE-tsüklite mõju analüüsimisel võrdlesime kulumise mõju mõõtmiseks korrigeerimatute vigade arvu antud kuul PE-tsüklite koguarvuga, mida ajam on oma senise eluea jooksul kogenud. Töökoormuse mõju uurides vaatlesime draivi töökuud, millel oli konkreetsel kuul kõige rohkem lugemis-/kirjutus-/kustutustoiminguid, mis olid ka suurema tõenäosusega parandamatute vigade tekkeks, st me ei võtnud arvesse arvestage lugemise/kirjutamise/kustutamise toimingute koguarvu. kustutamine.
Selle tulemusena jõudsime järeldusele, et lugemis-, kirjutamis- ja mittetäieliku kustutamise vead ei ole parandamatute vigade tekke peamised tegurid.
Täname, et jäite meiega. Kas teile meeldivad meie artiklid? Kas soovite näha huvitavamat sisu? Toeta meid, esitades tellimuse või soovitades sõpradele, Habri kasutajatele 30% allahindlus ainulaadsele algtaseme serverite analoogile, mille me teie jaoks välja mõtlesime: (saadaval RAID1 ja RAID10, kuni 24 tuuma ja kuni 40 GB DDR4-ga).
Dell R730xd 2 korda odavam? Ainult siin Hollandis! Dell R420 – 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB – alates 99 dollarist! Millegi kohta lugema
Allikas: www.habr.com