4.2.2. RBER ja levyn ikä (pois lukien PE-jaksot).
Kuvassa 1 näkyy merkittävä korrelaatio RBER:n ja iän välillä, joka on kuukausien lukumäärä, jonka levy on ollut kentällä. Tämä voi kuitenkin olla harhaanjohtava korrelaatio, koska on todennäköistä, että vanhemmissa asemissa on enemmän PE:ita ja siksi RBER korreloi enemmän PE-jaksojen kanssa.
Poistaaksemme iän vaikutuksen PE-syklien aiheuttamaan kulumiseen ryhmittelimme kaikki palvelukuukaudet säiliöihin käyttämällä PE-jaksojakauman desiilejä säiliöiden välisenä rajana, esim. ensimmäinen säiliö sisältää kaikki levyn käyttöiän kuukaudet asti. PE-jaksojakauman ensimmäinen desiili ja niin edelleen. Varmistimme, että kussakin säiliössä PE-syklien ja RBER:n välinen korrelaatio on melko pieni (koska jokainen säiliö kattaa vain pienen alueen PE-syklejä), ja sitten laskettiin korrelaatiokerroin RBER:n ja levyn iän välillä erikseen jokaiselle säiliölle.
Teimme tämän analyysin jokaiselle mallille erikseen, koska havaitut korrelaatiot eivät johdu eroista nuorempien ja vanhempien mallien välillä, vaan pelkästään saman mallin asemien iästä. Havaitsimme, että vaikka PE-jaksojen vaikutusta oli rajoitettu yllä kuvatulla tavalla, kaikissa käyttömalleissa oli silti merkittävä korrelaatio ajon kentällä olon kuukausien lukumäärän ja sen RBER:n välillä (korrelaatiokertoimet vaihtelivat välillä 0,2-0,4). ).
Riisi. 3. Suhde RBER:n ja PE-jaksojen lukumäärän välillä uusille ja vanhoille levyille osoittaa, että levyn ikä vaikuttaa RBER-arvoon kulumisen aiheuttamista PE-jaksoista riippumatta.
Visualisoimme myös graafisesti ajoiän vaikutuksen jakamalla taajuusmuuttajan käyttöpäivät "nuoressa" enintään 1 vuoden iässä ja yli 4-vuotiaiden aseman käyttöpäivät, minkä jälkeen piirtimme kunkin RBER-arvon. ryhmä PE-jaksojen lukumäärää vastaan. Kuva 3 esittää nämä tulokset MLC-D-käyttömallille. Näemme huomattavan eron RBER-arvoissa vanhojen ja uusien levyjen ryhmien välillä kaikissa PE-jaksoissa.
Tästä päättelemme, että iällä mitattuna kentällä käytettyinä päivinä on merkittävä vaikutus RBER:iin riippumatta muistisolujen kulumisesta PE-jaksoille altistumisesta. Tämä tarkoittaa, että muut tekijät, kuten piin ikääntyminen, vaikuttavat merkittävästi levyn fyysiseen kulumiseen.
4.2.3. RBER ja työmäärä.
Bittivirheiden uskotaan johtuvan yhdestä neljästä mekanismista:
- tallennusvirheet Säilytysvirheet, kun muistisolu menettää tietoja ajan myötä
Lukuhäiriövirheet, joissa lukutoiminto vahingoittaa viereisen solun sisältöä; - Kirjoitushäiriövirheet, joissa lukutoiminto vahingoittaa viereisen solun sisältöä;
- Epätäydelliset poistovirheet, kun poistotoiminto ei poista solun sisältöä kokonaan.
Kolmen viimeisen tyypin virheet (lukuhäiriö, kirjoitushäiriö, epätäydellinen tyhjennys) korreloivat työmäärän kanssa, joten RBER:n ja työkuorman välisen korrelaation ymmärtäminen auttaa ymmärtämään eri virhemekanismien yleisyyttä. Äskettäin julkaistussa tutkimuksessa "Laaja mittakaava tutkimus flash-muistin epäonnistumisista kentällä" (MEZA, J., WU, Q., KUMAR, S., MUTLU, O. "Laaja mittakaava tutkimus flash-muistin epäonnistumisista Teoksessa Proceedings of the 2015 ACM SIGMETRICS International Conference on Measurement and Modeling of Computer Systems, New York, 2015, SIGMETRICS '15, ACM, s. 177–190) totesi, että tallennusvirheet ovat vallitsevia kentällä, kun taas lukuvirheet ovat melko vähäisiä.
Kuvassa 1 näkyy merkittävä suhde RBER-arvon välillä tietyn levyn käyttökuukauden ja luku-, kirjoitus- ja poistojen lukumäärän välillä samassa kuukaudessa joissakin malleissa (esimerkiksi korrelaatiokerroin on suurempi kuin 0,2 MLC - B:lle). mallissa ja suurempi kuin 0,6 SLC-B:ssä). On kuitenkin mahdollista, että tämä on harhaanjohtava korrelaatio, koska kuukausittainen työmäärä voi liittyä PE-jaksojen kokonaismäärään.
Käytimme kohdassa 4.2.2 kuvattua menetelmää työkuormituksen vaikutusten eristämiseen PE-syklien vaikutuksista eristämällä käyttökuukausien käyttö aikaisempien PE-syklien perusteella ja määrittämällä sitten korrelaatiokertoimet erikseen kullekin säiliölle.
Näimme, että korrelaatio tietyn levyn käyttökuukauden lukumäärien ja kyseisen kuukauden RBER-arvon välillä säilyi MLC-B- ja SLC-B-malleissa, vaikka PE-jaksoja rajoitettiinkin. Toistimme myös samanlaisen analyysin, jossa poistimme lukujen vaikutuksen samanaikaisten kirjoitusten ja poistojen määrään ja päätimme, että RBER:n ja lukumäärien välinen korrelaatio pätee SLC-B-malliin.
Kuvassa 1 näkyy myös korrelaatio RBER- ja kirjoitus- ja poistotoimintojen välillä, joten toistimme saman analyysin luku-, kirjoitus- ja poistotoimintojen osalta. Päättelemme, että PE-jaksojen ja -lukujen vaikutusta rajoittamalla RBER-arvon ja kirjoitusten ja poistojen määrän välillä ei ole yhteyttä.
Näin ollen on levymalleja, joissa lukuvirhevirheillä on merkittävä vaikutus RBER:iin. Toisaalta ei ole näyttöä siitä, että RBER:iin vaikuttaisivat kirjoitusrikkomusvirheet ja epätäydelliset poistovirheet.
4.2.4 RBER ja litografia.
Erot objektikoossa voivat osittain selittää RBER-arvojen erot samaa tekniikkaa, eli MLC:tä tai SLC:tä, käyttävien käyttömallien välillä. (Katso taulukko 1, jossa on yleiskatsaus tähän tutkimukseen sisältyvien mallien litografiaan).
Esimerkiksi kahdessa SLC-mallissa, joissa on 2 nm:n litografia (mallit SLC-A ja SLC-D), on RBER, joka on suuruusluokkaa suurempi kuin kahdessa mallissa, joissa on 34 nm:n mikroelektroninen litografia (mallit SLC-B ja SLC-C). MLC-mallien tapauksessa vain 2 nm mallilla (MLC-B) on RBER-mediaani, joka on 50 % korkeampi kuin kolmessa muussa mallissa, joissa on 43 nm litografia. Lisäksi tämä RBER-ero kasvaa nelinkertaiseksi, kun asemat kuluvat, kuten kuvassa 50 näkyy. Lopuksi ohuempi litografia voi selittää eMLC-asemien korkeamman RBER-arvon verrattuna MLC-asemiin. Kaiken kaikkiaan meillä on selkeää näyttöä siitä, että litografia vaikuttaa RBER:iin.
4.2.5. Muiden virheiden esiintyminen.
Tutkimme suhdetta RBER:n ja muun tyyppisten virheiden, kuten korjaamattomien virheiden, aikakatkaisuvirheiden jne., välillä, erityisesti, nouseeko RBER-arvo korkeammaksi kuukauden kuluttua altistumisesta muun tyyppisille virheille.
Kuvasta 1 näkyy, että vaikka edellisen kuukauden RBER ennustaa tulevia RBER-arvoja (korrelaatiokerroin suurempi kuin 0,8), korjaamattomien virheiden ja RBER:n (kuvan 1 oikeanpuoleisin kohteiden ryhmä) välillä ei ole merkittävää korrelaatiota. Muilla virhetyypeillä korrelaatiokerroin on vielä pienempi (ei näy kuvassa). Tutkimme edelleen RBER:n ja korjaamattomien virheiden välistä suhdetta tämän artikkelin osiossa 5.2.
4.2.6. Muiden tekijöiden vaikutus.
Löysimme todisteita siitä, että on olemassa tekijöitä, joilla on merkittävä vaikutus RBER:iin, joita tietomme eivät voineet ottaa huomioon. Huomasimme erityisesti, että tietyn levymallin RBER vaihtelee riippuen klusterista, jossa levy on otettu käyttöön. Hyvä esimerkki on kuva 4, joka esittää RBER:n PE-jaksojen funktiona MLC-D-asemille kolmessa eri klusterissa (katkoviivat) ja vertaa sitä tämän mallin RBER:iin suhteessa asemien kokonaismäärään (yhtenäinen viiva). Huomaamme, että nämä erot säilyvät, vaikka rajoitamme tekijöiden, kuten levyn iän tai lukumäärien, vaikutusta.
Yksi mahdollinen selitys tälle on erot työkuormatyypeissä klustereiden välillä, koska havaitsemme, että klustereilla, joiden työkuormilla on korkeimmat luku-/kirjoitussuhteet, on korkein RBER.
Riisi. 4 a), b). Mediaani-RBER-arvot PE-jaksojen funktiona kolmelle eri klusterille ja luku-/kirjoitussuhteen riippuvuus PE-jaksojen lukumäärästä kolmelle eri klusterille.
Esimerkiksi kuva 4(b) näyttää eri klustereiden luku-/kirjoitussuhteet MLC-D-käyttömallille. Luku/kirjoitussuhde ei kuitenkaan selitä klusterien välisiä eroja kaikissa malleissa, joten voi olla muita tekijöitä, joita tiedoissamme ei huomioida, kuten ympäristötekijät tai muut ulkoiset työkuormitusparametrit.
4.3. RBER nopeutetun kestävyystestin aikana.
Suurin osa tieteellisistä töistä sekä teollisessa mittakaavassa mediaa ostettaessa tehdyt testit ennustavat laitteiden luotettavuutta kentällä nopeutetun kestotestin tulosten perusteella. Päätimme selvittää, kuinka hyvin tällaisten testien tulokset vastaavat käytännön kokemusta puolijohdetallennusvälineiden käytöstä.
Googlen palvelinkeskuksiin toimitettujen laitteiden yleisellä nopeutetulla testausmenetelmällä tehtyjen testitulosten analyysi osoitti, että kentän RBER-arvot ovat huomattavasti ennustettua korkeammat. Esimerkiksi eMLC-a-mallissa kentällä käytettävien levyjen keskimääräinen RBER (testauksen lopussa PE-jaksojen määrä saavutti 600) oli 1e-05, kun taas alustavan kiihdytetyn testauksen tulosten mukaan tämä RBER arvon tulee vastata yli 4000 PE-sykliä. Tämä osoittaa, että RBER-arvoa on erittäin vaikea ennustaa tarkasti kentällä laboratoriotesteistä saatujen RBER-estimaattien perusteella.
Huomasimme myös, että tietyntyyppisiä virheitä on melko vaikea toistaa nopeutetussa testauksessa. Esimerkiksi MLC-B-mallin tapauksessa lähes 60 % kentällä olevista asemista kokee korjaamattomia virheitä ja lähes 80 % asemista kehittää huonoja lohkoja. Kiihdytetyn kestotestin aikana mikään kuudesta laitteesta ei kuitenkaan kokenut korjaamattomia virheitä, ennen kuin käytöt saavuttivat yli kolme kertaa PE-jaksorajan. eMLC-malleissa korjaamattomia virheitä esiintyi yli 80 %:ssa kenttäkäytöistä, kun taas nopeutetussa testauksessa tällaisia virheitä ilmeni 15000 XNUMX PE-syklin saavuttamisen jälkeen.
Tarkastelimme myös aiemmassa tutkimustyössä raportoitua RBER:ää, joka perustui kokeisiin kontrolloidussa ympäristössä, ja päätimme, että arvoalue oli erittäin laaja. Esimerkiksi L.M. Grupp ja muut raportoivat 2009-2012 työssään RBER-arvot taajuusmuuttajille, jotka ovat lähellä PE-syklin raja-arvoja. Esimerkiksi SLC- ja MLC-laitteille, joiden litografiakoot ovat samanlaiset kuin työssämme käytetyt (25-50nm), RBER-arvo vaihtelee välillä 1e-08 - 1e-03, ja useimpien testattujen taajuusmuuttajamallien RBER-arvo on lähellä 1e- 06.
Tutkimuksessamme kolmella ajomallilla, jotka saavuttivat PE-syklin rajan, RBER-arvot vaihtelivat välillä 3e-08 - 8e-08. Vaikka otettaisiin huomioon, että lukumme ovat alempia rajoja ja voivat olla 16 kertaa suurempia absoluuttisessa pahimmassa tapauksessa, tai kun otetaan huomioon RBER:n 95. prosenttipiste, arvomme ovat silti huomattavasti alhaisemmat.
Kaiken kaikkiaan vaikka todelliset kentän RBER-arvot ovat korkeampia kuin ennustetut arvot, jotka perustuvat nopeutettuun kestävyystestaukseen, ne ovat silti alhaisempia kuin useimmat muissa tutkimuspapereissa raportoidut ja laboratoriotesteistä lasketut RBER-arvot vastaaville laitteille. Tämä tarkoittaa, että sinun ei pitäisi luottaa ennakoituihin kentän RBER-arvoihin, jotka on johdettu nopeutetusta kestävyystestauksesta.
5. Korjaamattomat virheet.
Koska korjaamattomia virheitä (UE:t) on laajalti esiintynyt, joita käsiteltiin tämän artikkelin osiossa 3, tässä osiossa tutkimme niiden ominaisuuksia yksityiskohtaisemmin. Aloitamme keskustelemalla siitä, mitä mittaria käytetään UE:n mittaamiseen, miten se liittyy RBER:iin ja miten eri tekijät vaikuttavat UE:hen.
5.1. Miksi UBER-suhde ei ole järkevä?
Korjaamattomia virheitä kuvaava standardimetriikka on UBER-korjaamaton bittivirhesuhde, eli korjaamattomien bittivirheiden lukumäärän suhde luettujen bittien kokonaismäärään.
Tämä metriikka olettaa implisiittisesti, että korjaamattomien virheiden määrä on jollain tapaa sidottu luettujen bittien määrään, ja siksi se on normalisoitava tällä numerolla.
Tämä oletus pätee korjattaviin virheisiin, joissa tietyn kuukauden aikana havaittujen virheiden lukumäärän havaitaan korreloivan voimakkaasti saman ajanjakson aikana tehtyjen lukumäärien kanssa (Spearman-korrelaatiokerroin suurempi kuin 0.9). Syynä niin vahvaan korrelaatioon on se, että yksikin huono bitti, niin kauan kuin se on korjattavissa ECC:llä, jatkaa virheiden määrän lisäämistä jokaisen sen käyttämän lukuoperaation yhteydessä, koska huonon bitin sisältävän solun arviointi on ei korjata heti, kun virhe havaitaan (levyt vain ajoittain kirjoittavat uudelleen sivuja, joissa on vaurioituneet bitit).
Sama oletus ei päde korjaamattomiin virheisiin. Korjaamaton virhe estää vaurioituneen lohkon käytön jatkossa, joten havaittu lohko ei vaikuta virheiden määrään tulevaisuudessa.
Vahvistaaksemme tämän oletuksen muodollisesti käytimme erilaisia mittareita mitataksemme suhdetta levyn tietyn käyttökuukauden lukumäärien ja korjaamattomien virheiden määrän välillä saman ajanjakson aikana, mukaan lukien erilaiset korrelaatiokertoimet (Pearson, Spearman, Kendall). sekä kaavioiden silmämääräinen tarkastus. Korjaamattomien virheiden määrän lisäksi tarkastelimme myös korjaamattomien virhetapahtumien esiintymistiheyttä (eli todennäköisyyttä, että levyllä on vähintään yksi tällainen tapaus tietyn ajanjakson aikana) ja niiden suhdetta lukutoimintoihin.
Emme löytäneet näyttöä korrelaatiosta lukumäärien ja korjaamattomien virheiden määrän välillä. Kaikissa käyttömalleissa korrelaatiokertoimet olivat alle 0.02, eivätkä kaaviot osoittaneet UE:n kasvua lukumäärien lisääntyessä.
Tämän artikkelin luvussa 5.4 pohditaan, että kirjoitus- ja poisto-operaatioilla ei myöskään ole mitään yhteyttä korjaamattomiin virheisiin, joten vaihtoehtoisella UBER-määritelmällä, joka normalisoidaan kirjoitus- tai poisto-operaatioilla lukutoimintojen sijaan, ei ole merkitystä.
Tästä syystä päättelemme, että UBER ei ole mielekäs mittari, paitsi ehkä silloin, kun sitä testataan kontrolloiduissa ympäristöissä, joissa kokeilun suorittaja asettaa lukujen määrän. Jos UBER:iä käytetään mittarina kenttätestauksen aikana, se alentaa keinotekoisesti virheprosenttia asemissa, joissa lukumäärä on korkea, ja lisää keinotekoisesti virheprosenttia asemissa, joissa lukumäärä on pieni, koska korjaamattomia virheitä esiintyy lukujen lukumäärästä riippumatta.
5.2. Korjaamattomat virheet ja RBER.
RBER:n merkitys selittyy sillä, että se toimii mittarina taajuusmuuttajan yleisen luotettavuuden määrittämisessä, erityisesti korjaamattomien virheiden todennäköisyyden perusteella. N. Mielke ym. vuonna 2008 ehdottivat työssään ensimmäisinä odotetun korjaamattoman virhetason määrittelyä RBER:n funktiona. Siitä lähtien monet järjestelmäkehittäjät ovat käyttäneet samanlaisia menetelmiä, kuten arvioineet odotetun korjaamattoman virhesuhteen RBER- ja ECC-tyypin funktiona.
Tämän osan tarkoituksena on karakterisoida kuinka hyvin RBER ennustaa korjaamattomat virheet. Aloitetaan kuvasta 5a, joka esittää useiden ensimmäisen sukupolven asemamallien mediaani RBER:n suhteessa niiden käyttöpäivien prosenttiosuuteen, jolloin ilmeni korjaamattomia UE-virheitä. On huomattava, että jotkin kaaviossa esitetyistä 16 mallista eivät sisälly taulukkoon 1 analyyttisten tietojen puutteen vuoksi.
Riisi. 5a. Suhde mediaani RBER:n ja korjaamattomien virheiden välillä eri asemamalleissa.
Riisi. 5b. Suhde mediaani RBER:n ja korjaamattomien virheiden välillä saman mallin eri asemissa.
Muista, että kaikki saman sukupolven mallit käyttävät samaa ECC-mekanismia, joten mallien väliset erot ovat riippumattomia ECC-eroista. Emme havainneet korrelaatiota RBER- ja UE-tapausten välillä. Loimme saman käyrän 95. prosenttipisteen RBER vs. UE -todennäköisyydelle, emmekä taaskaan nähneet korrelaatiota.
Seuraavaksi toistimme analyysin granulaarisella tasolla yksittäisille asemille, eli yritimme selvittää, onko olemassa asemia, joissa suurempi RBER-arvo vastaa korkeampaa UE-taajuutta. Esimerkkinä kuviossa 5b piirretään mediaani RBER jokaiselle MLC-c-mallin asemalle UE:iden lukumäärän funktiona (tulokset ovat samanlaisia kuin 95. prosenttipisteen RBER:lle saadut tulokset). Jälleen, emme nähneet mitään korrelaatiota RBER:n ja UE:n välillä.
Lopuksi teimme tarkemman ajoitusanalyysin selvittääksemme, vastaavatko korkeamman RBER:n omaavien asemien käyttökuukaudet kuukausia, joiden aikana UE:ita esiintyi. Kuva 1 on jo osoittanut, että korjaamattomien virheiden ja RBER:n välinen korrelaatiokerroin on erittäin alhainen. Kokeilimme myös erilaisia tapoja piirtää UE:n todennäköisyys RBER:n funktiona emmekä löytäneet todisteita korrelaatiosta.
Näin ollen päättelemme, että RBER on epäluotettava mittari UE:n ennustamiseen. Tämä voi tarkoittaa, että vikamekanismit, jotka johtavat RBER:iin, eroavat mekanismeista, jotka johtavat korjaamattomiin virheisiin (esim. yksittäisten solujen sisältämät virheet verrattuna koko laitteessa esiintyviin suurempiin ongelmiin).
5.3. Korjaamattomia virheitä ja kulumia.
Koska kuluminen on yksi flash-muistin suurimmista ongelmista, kuvassa 6 on esitetty korjaamattomien käyttövirheiden päivittäinen todennäköisyys PE-jaksojen funktiona.
Kuva 6. Korjaamattomien käyttövirheiden päivittäinen todennäköisyys PE-jaksoista riippuen.
Huomaa, että UE:n todennäköisyys kasvaa jatkuvasti aseman iän myötä. Kuten RBER:n tapauksessa, kasvu on kuitenkin hitaampaa kuin tavallisesti oletetaan: kaaviot osoittavat, että UE:t kasvavat lineaarisesti eikä eksponentiaalisesti PE-syklien kanssa.
Kaksi johtopäätöstä, jotka teimme RBER:lle, pätee myös UE:ihin: Ensinnäkin virhepotentiaalissa ei ole selvää lisäystä PE-syklin rajan saavuttamisen jälkeen, kuten kuvassa 6 MLC-D-mallille, jonka PE-syklin raja on 3000. Toiseksi, toiseksi , virheprosentti vaihtelee eri mallien välillä, jopa saman luokan sisällä. Nämä erot eivät kuitenkaan ole yhtä suuria kuin RBER:ssä.
Lopuksi osion 5.2 havaintojen tueksi havaitsimme, että yksittäisessä malliluokassa (MLC vs. SLC) mallit, joilla on alhaisimmat RBER-arvot tietylle PE-jaksojen lukumäärälle, eivät välttämättä ole niitä, joilla on alhaisin. UE:n esiintymisen todennäköisyys. Esimerkiksi yli 3000 PE-sykliä MLC-D-malleilla RBER-arvot olivat 4 kertaa pienemmät kuin MLC-B-malleilla, mutta UE:n todennäköisyys samalle määrälle PE-jaksoja oli hieman suurempi MLC-D-malleilla kuin MLC-B-malleilla. mallit.
Kuva 7. Korjaamattomien käyttövirheiden esiintymistodennäköisyys kuukausittain aiempien erityyppisten virheiden funktiona.
5.4. Korjaamattomat virheet ja työmäärä.
Samoista syistä kuin työkuorma voi vaikuttaa RBER:iin (katso kohta 4.2.3), sen voidaan odottaa vaikuttavan myös UE:hen. Koska esimerkiksi havaitsimme, että lukurikkomusvirheet vaikuttavat RBER:iin, lukutoiminnot voivat myös lisätä korjaamattomien virheiden todennäköisyyttä.
Teimme yksityiskohtaisen tutkimuksen työtaakan vaikutuksista EU:hun. Kuten osiossa 5.1 todettiin, emme kuitenkaan löytäneet yhteyttä UE:n ja lukumäärien välillä. Toistimme saman analyysin kirjoitus- ja poisto-operaatioille, emmekä jälleen nähneet korrelaatiota.
Huomaa, että ensi silmäyksellä tämä näyttää olevan ristiriidassa aiemman havaintollamme, jonka mukaan korjaamattomat virheet korreloivat PE-jaksojen kanssa. Siksi voidaan hyvin odottaa korrelaatiota kirjoitus- ja poistotoimintojen määrän kanssa.
PE-jaksojen vaikutusten analyysissämme kuitenkin vertasimme korjaamattomien virheiden määrää tietyssä kuukaudessa taajuusmuuttajan tähänastisen käyttöiän aikana kokeneiden PE-jaksojen kokonaismäärään kulumisen vaikutuksen mittaamiseksi. Työkuormituksen vaikutusta tutkiessamme tarkasteltiin niitä aseman käyttökuukausia, joilla oli eniten luku-/kirjoitus-/poistotoimintoja tietyssä kuukaudessa, joilla oli myös suurempi mahdollisuus aiheuttaa korjaamattomia virheitä, eli emme ottaneet huomioon Ota huomioon luku-/kirjoitus-/poistotoimintojen kokonaismäärä.
Tuloksena tulimme siihen tulokseen, että lukuvirhevirheet, kirjoitusvirhevirheet ja epätäydelliset poistovirheet eivät ole päätekijöitä korjaamattomien virheiden kehittymisessä.
Kiitos, että pysyt kanssamme. Pidätkö artikkeleistamme? Haluatko nähdä mielenkiintoisempaa sisältöä? Tue meitä tekemällä tilauksen tai suosittelemalla ystäville, 30 %:n alennus Habr-käyttäjille ainutlaatuisesta lähtötason palvelimien analogista, jonka me keksimme sinulle: (saatavana RAID1:n ja RAID10:n kanssa, jopa 24 ydintä ja jopa 40 Gt DDR4-muistia).
Dell R730xd 2 kertaa halvempi? Vain täällä Alankomaissa! Dell R420 - 2x E5-2430 2.2 Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - alkaen 99 dollaria! Lukea
Lähde: will.com