4.2.2. RBER és lemez kora (kivéve a PE ciklusokat).
Az 1. ábra egy szignifikáns korrelációt mutat be az RBER és az életkor között, ami azt mutatja, hogy a lemez hány hónapot töltött a területen. Ez azonban hamis korreláció lehet, mivel valószínű, hogy a régebbi meghajtók több PE-vel rendelkeznek, és ezért az RBER jobban korrelál a PE-ciklusokkal.
Az életkor PE ciklusok által okozott kopásra gyakorolt hatásának kiküszöbölése érdekében az összes szolgáltatási hónapot konténerekbe csoportosítottuk, a PE ciklus eloszlás deciliseit használva a konténerek közötti küszöbként, például az első tároló tartalmazza a lemez élettartamának összes hónapját egészen a a PE cikluseloszlás első decilise, és így tovább. Ellenőriztük, hogy minden tárolón belül meglehetősen kicsi a korreláció a PE ciklusok és az RBER között (mivel minden tároló csak a PE ciklusok egy kis tartományát fedi le), majd minden tárolóra külön kiszámítottuk az RBER és a lemez kora közötti korrelációs együtthatót.
Ezt az elemzést minden modellnél külön-külön végeztük el, mert a megfigyelt korrelációk nem a fiatalabb és régebbi modellek közötti különbségekre vezethetők vissza, hanem kizárólag az azonos modell meghajtóinak korára. Megfigyeltük, hogy még a PE ciklusok hatásának a fent leírt módon történő korlátozása után is minden hajtásmodellnél szignifikáns korreláció volt a hajtás terepen eltöltött hónapjainak száma és az RBER között (a korrelációs együtthatók 0,2 és 0,4 között változtak). ).
Rizs. 3. Az RBER és a PE ciklusok száma közötti kapcsolat új és régi lemezeknél azt mutatja, hogy a lemez kora befolyásolja az RBER értéket, függetlenül a kopás okozta PE ciklusoktól.
Grafikusan is megjelenítettük a meghajtó életkorának hatását oly módon, hogy elosztottuk a meghajtó „fiatal” korban, legfeljebb 1 éves használati napjait és a 4 év feletti meghajtó használati napjait, majd ábrázoltuk az egyes meghajtók RBER-jét. csoport a PE ciklusok számával szemben. A 3. ábra ezeket az eredményeket mutatja az MLC-D meghajtómodell esetében. Észrevehető különbséget látunk az RBER értékekben a régi és az új lemezek csoportjai között az összes PE ciklus során.
Ebből arra a következtetésre jutunk, hogy az életkor a terepen eltöltött lemezhasználat napjaiban mérve jelentős hatással van az RBER-re, függetlenül a PE-ciklusoknak való kitettség miatti memóriacellák kopásától. Ez azt jelenti, hogy más tényezők, például a szilícium öregedése nagy szerepet játszanak a lemez fizikai kopásában.
4.2.3. RBER és munkaterhelés.
A bithibákat a négy mechanizmus egyike okozza:
- tárolási hibák Megőrzési hibák, amikor egy memóriacella idővel adatot veszít
Olvasási zavar hibák, amelyekben az olvasási művelet károsítja a szomszédos cella tartalmát; - Írási zavar hibák, amelyeknél egy olvasási művelet károsítja a szomszédos cella tartalmát;
- Hiányos törlési hibák, amikor a törlési művelet nem törli teljesen a cella tartalmát.
Az utolsó három típusú hibák (olvasási zavar, írási zavar, hiányos törlés) összefüggésben vannak a munkaterheléssel, így az RBER és a terhelés közötti összefüggés megértése segít megérteni a különböző hibamechanizmusok előfordulását. Egy nemrégiben megjelent tanulmányban: "A nagyszabású tanulmány a flash memória meghibásodásáról a területen" (MEZA, J., WU, Q., KUMAR, S., MUTLU, O. "A nagyszabású tanulmány a flash memória hibáiról in the field) A 2015-ös ACM SIGMETRICS Nemzetközi Számítógépes Rendszerek Mérési és Modellezési Konferenciájában, New York, 2015, SIGMETRICS '15, ACM, 177–190. o.) arra a következtetésre jutott, hogy a terepen a tárolási hibák dominálnak, míg az olvasási hibák meglehetősen csekélyek.
Az 1. ábra szignifikáns kapcsolatot mutat be a lemez élettartamának adott hónapjában érvényes RBER-érték és az ugyanabban a hónapban történt olvasások, írások és törlések száma között egyes modelleknél (például a korrelációs együttható magasabb, mint 0,2 az MLC - B esetén modellnél és 0,6-nál magasabb az SLC-B esetében). Lehetséges azonban, hogy ez hamis összefüggés, mivel a havi terhelés összefüggésben állhat a PE ciklusok teljes számával.
A 4.2.2. fejezetben leírt módszertant alkalmaztuk a munkaterhelés hatásainak elkülönítésére a PE ciklusok hatásaitól oly módon, hogy a hajtás hónapjainak működését izoláltuk az előző PE ciklusok alapján, majd minden tartályhoz külön meghatároztuk a korrelációs együtthatókat.
Láttuk, hogy az MLC-B és SLC-B modelleknél a korreláció a lemez élettartamának adott hónapjában lezajlott olvasások száma és az adott hónap RBER értéke között megmaradt, még a PE ciklusok korlátozása esetén is. Megismételtünk egy hasonló elemzést is, ahol kizártuk az olvasások hatását az egyidejű írások és törlések számára, és arra a következtetésre jutottunk, hogy az RBER és az olvasások száma közötti korreláció igaz az SLC-B modellre.
Az 1. ábra az RBER és az írási és törlési műveletek közötti összefüggést is mutatja, ezért megismételtük ugyanazt az elemzést az olvasási, írási és törlési műveleteknél. Arra a következtetésre jutottunk, hogy a PE ciklusok és olvasások hatásának korlátozásával nincs kapcsolat az RBER értéke és az írások és törlések száma között.
Így vannak olyan lemezmodellek, amelyeknél az olvasássértési hibák jelentős hatással vannak az RBER-re. Másrészt nincs bizonyíték arra, hogy az RBER-t érintik az írássértési hibák és a hiányos törlési hibák.
4.2.4 RBER és litográfia.
Az objektumméretbeli különbségek részben megmagyarázhatják az RBER-értékek különbségeit az azonos technológiát használó meghajtómodellek között, azaz MLC vagy SLC. (A tanulmányban szereplő különféle modellek litográfiájának áttekintését lásd az 1. táblázatban).
Például 2 SLC modell 34 nm-es litográfiával (SLC-A és SLC-D modellek) egy nagyságrenddel magasabb RBER-rel rendelkezik, mint 2 50 nm-es mikroelektronikai litográfiával rendelkező modellé (SLC-B és SLC-C modellek). Az MLC-modellek esetében csak a 43 nm-es modell (MLC-B) medián RBER-je 50%-kal magasabb, mint a másik 3, 50 nm-es litográfiával rendelkező modellé. Sőt, ez a különbség az RBER-ben 4-szeresére nő, ahogy a meghajtók elhasználódnak, amint az a 2. ábrán látható. Végül a vékonyabb litográfia magyarázatot adhat az eMLC-meghajtók magasabb RBER-ére, mint az MLC-meghajtókra. Összességében egyértelmű bizonyítékunk van arra, hogy a litográfia hatással van az RBER-re.
4.2.5. Egyéb hibák jelenléte.
Megvizsgáltuk az RBER és más típusú hibák közötti kapcsolatot, mint például a javíthatatlan hibák, időtúllépési hibák stb., különös tekintettel arra, hogy az RBER-érték magasabb lesz-e egy hónapos más típusú hibáknak való kitettség után.
Az 1. ábra azt mutatja, hogy míg az előző havi RBER előrejelzi a jövőbeli RBER-értékeket (0,8-nál nagyobb korrelációs együttható), nincs szignifikáns korreláció a nem javítható hibák és az RBER között (az 1. ábrán a jobb szélső tételcsoport). Más típusú hibáknál a korrelációs együttható még alacsonyabb (az ábrán nem látható). A jelen cikk 5.2. szakaszában tovább vizsgáltuk az RBER és a javíthatatlan hibák közötti kapcsolatot.
4.2.6. Egyéb tényezők befolyása.
Bizonyítékot találtunk arra vonatkozóan, hogy vannak olyan tényezők, amelyek jelentős hatással vannak az RBER-re, és amelyeket adataink nem tudtak figyelembe venni. Különösen azt vettük észre, hogy egy adott lemezmodell RBER-je attól függően változik, hogy a lemez melyik fürtben van telepítve. Jó példa erre a 4. ábra, amely az RBER-t az MLC-D meghajtók PE-ciklusainak függvényében mutatja három különböző klaszterben (szaggatott vonal), és összehasonlítja ezt a modell RBER-ével a meghajtók teljes számához viszonyítva (folytonos vonal). Úgy találjuk, hogy ezek a különbségek akkor is fennállnak, ha korlátozzuk az olyan tényezők hatását, mint a lemez kora vagy az olvasások száma.
Ennek egyik lehetséges magyarázata a fürtök közötti munkaterhelés-típusbeli különbségek, mivel megfigyeljük, hogy a legmagasabb olvasási/írási aránnyal rendelkező klaszterek rendelkeznek a legmagasabb RBER-rel.
Rizs. 4. a), b). A medián RBER értékek a PE-ciklusok függvényében három különböző klaszternél és az olvasási/írási arány függése a PE ciklusok számától három különböző klaszter esetében.
Például a 4(b) ábra a különböző klaszterek olvasási/írási arányát mutatja az MLC-D meghajtómodellhez. Az olvasási/írási arány azonban nem minden modellnél magyarázza meg a klaszterek közötti különbségeket, így lehetnek olyan egyéb tényezők is, amelyeket adataink nem vesznek figyelembe, például környezeti tényezők vagy egyéb külső terhelési paraméterek.
4.3. RBER gyorsított tartóssági vizsgálat során.
A legtöbb tudományos munka, valamint az ipari méretű adathordozók vásárlásakor végzett tesztek gyorsított tartóssági tesztek eredményei alapján jósolják az eszközök megbízhatóságát a terepen. Úgy döntöttünk, hogy kitaláljuk, mennyire felelnek meg az ilyen tesztek eredményei a szilárdtestalapú adathordozók üzemeltetésével kapcsolatos gyakorlati tapasztalatoknak.
A Google adatközpontjainak szállított berendezések általános gyorsított tesztelési módszerével végzett vizsgálati eredmények elemzése azt mutatta, hogy a mező RBER-értékei jelentősen magasabbak a vártnál. Például az eMLC-a modellnél a terepen üzemeltetett lemezek medián RBER értéke (a tesztelés végén a PE ciklusok száma elérte a 600-at) 1e-05 volt, míg az előzetes gyorsított tesztelés eredményei szerint ez az RBER. értékének meg kell felelnie több mint 4000 PE ciklusnak. Ez azt jelzi, hogy a laboratóriumi vizsgálatokból nyert RBER becslések alapján nagyon nehéz pontosan megjósolni az RBER-értéket a terepen.
Azt is megjegyeztük, hogy bizonyos típusú hibák meglehetősen nehezen reprodukálhatók a gyorsított tesztelés során. Például az MLC-B modell esetében a terepi meghajtók közel 60%-a javíthatatlan hibákat tapasztal, és a meghajtók közel 80%-a hibás blokkokat fejleszt. A gyorsított tartóssági tesztelés során azonban a hat eszköz egyike sem tapasztalt javíthatatlan hibát mindaddig, amíg a hajtások el nem érték a PE ciklushatár háromszorosát. Az eMLC modelleknél a terepi meghajtások több mint 80%-ában, míg a gyorsított tesztelés során a 15000 XNUMX PE ciklus elérése után fordultak elő javíthatatlan hibák.
Megnéztük a korábbi kutatásokban közölt RBER-t is, amely ellenőrzött környezetben végzett kísérleteken alapult, és arra a következtetésre jutottunk, hogy az értékek tartománya rendkívül széles. Például L.M. A Grupp és mások 2009-2012-es munkájukban olyan hajtások RBER-értékeit számolják be, amelyek közel állnak a PE ciklushatárok eléréséhez. Például a munkánkban használthoz hasonló litográfiai méretű (25-50 nm) SLC és MLC eszközök esetében az RBER-érték 1e-08 és 1e-03 között mozog, a legtöbb tesztelt meghajtómodell RBER-értéke közel 1e- 06.
Tanulmányunkban a PE ciklushatárt elérő három hajtásmodell RBER-je 3e-08 és 8e-08 között volt. Még ha figyelembe vesszük is, hogy számaink alsó határok, és abszolút legrosszabb esetben akár 16-szor nagyobbak is lehetnek, vagy ha figyelembe vesszük az RBER 95. percentilisét is, akkor is lényegesen alacsonyabbak az értékeink.
Összességében, bár a tényleges terepi RBER-értékek magasabbak, mint a gyorsított tartóssági vizsgálatok alapján előrejelzett értékek, még mindig alacsonyabbak, mint a többi kutatási cikkben közölt és laboratóriumi tesztekből számított legtöbb RBER-érték a hasonló eszközökre vonatkozóan. Ez azt jelenti, hogy nem szabad a gyorsított tartóssági tesztelésből származó előrejelzett RBER-értékekre hagyatkoznia.
5. Javíthatatlan hibák.
Tekintettel a javíthatatlan hibák (UE-k) széles körben elterjedt előfordulására, amelyekről a jelen cikk 3. szakaszában volt szó, ebben a részben részletesebben megvizsgáljuk jellemzőiket. Kezdjük azzal, hogy megvitatjuk, melyik mérőszámot használjuk az UE mérésére, hogyan kapcsolódik az RBER-hez, és hogyan befolyásolják az UE-t különböző tényezők.
5.1. Miért nincs értelme az UBER-aránynak?
A javíthatatlan hibákat jellemző szabványos metrika az UBER javíthatatlan bithiba aránya, vagyis a javíthatatlan bithibák számának az összes kiolvasott bitszámhoz viszonyított aránya.
Ez a metrika implicit módon azt feltételezi, hogy a javíthatatlan hibák száma valamilyen módon össze van kötve az olvasott bitek számával, ezért ezzel a számmal kell normalizálni.
Ez a feltevés a javítható hibákra érvényes, ahol az egy hónapban észlelt hibák száma erősen korrelál az azonos időszak alatti leolvasások számával (a Spearman-korrelációs együttható nagyobb, mint 0.9). Az ilyen erős korreláció oka, hogy akár egy rossz bit is, amíg az ECC-vel javítható, tovább növeli a hibák számát minden általa elért olvasási műveletnél, mivel a rossz bitet tartalmazó cella kiértékelése hiba észlelésekor nem javítják azonnal (a lemezek csak időszakonként írják át a sérült bitekkel rendelkező oldalakat).
Ugyanez a feltételezés nem vonatkozik a javíthatatlan hibákra. A javíthatatlan hiba kizárja a sérült blokk további használatát, így az észlelés után az ilyen blokk a jövőben nem befolyásolja a hibák számát.
Ennek a feltevésnek a formális megerősítésére különféle mérőszámokat használtunk, hogy mérjük az összefüggést a lemez élettartamának adott hónapjában az olvasások száma és az ugyanabban az időszakban kijavíthatatlan hibák száma között, beleértve a különböző korrelációs együtthatókat (Pearson, Spearman, Kendall). , valamint a grafikonok szemrevételezése . A javíthatatlan hibák számán kívül megvizsgáltuk a javíthatatlan hibaesemények gyakoriságát (vagyis annak a valószínűségét, hogy egy lemezen legalább egy ilyen incidens lesz egy adott időtartam alatt), valamint ezek kapcsolatát az olvasási műveletekkel.
Nem találtunk bizonyítékot arra, hogy összefüggés lenne az olvasások száma és a javíthatatlan hibák száma között. Az összes meghajtómodell esetében a korrelációs együtthatók 0.02 alatt voltak, és a grafikonok nem mutattak növekedést az UE-ban, ahogy az olvasások száma nőtt.
A cikk 5.4-es szakaszában azt tárgyaljuk, hogy az írási és törlési műveleteknek nincs összefüggésük a javíthatatlan hibákkal, így az UBER alternatív definíciója, amelyet az olvasási műveletek helyett írási vagy törlési műveletek normalizálnak, nincs értelme.
Ezért arra a következtetésre jutottunk, hogy az UBER nem egy értelmes mérőszám, kivéve talán ha ellenőrzött környezetben tesztelik, ahol az olvasások számát a kísérletező állítja be. Ha az UBER-t mérőszámként használják a helyszíni tesztelés során, az mesterségesen csökkenti a magas olvasási számmal rendelkező meghajtók hibaarányát, és mesterségesen növeli az alacsony olvasási számmal rendelkező meghajtók hibaarányát, mivel a kijavíthatatlan hibák az olvasások számától függetlenül előfordulnak.
5.2. Javíthatatlan hibák és RBER.
Az RBER relevanciáját az a tény magyarázza, hogy a hajtás általános megbízhatóságának meghatározására szolgál, különösen a javíthatatlan hibák valószínűsége alapján. N. Mielke és munkatársai 2008-ban elsőként javasolták munkájukban a várható javíthatatlan hibaarány meghatározását az RBER függvényében. Azóta sok rendszerfejlesztő használt hasonló módszereket, például a várható javíthatatlan hibaarány becslését az RBER és az ECC típus függvényében.
Ennek a résznek a célja annak jellemzése, hogy az RBER mennyire jósolja meg a javíthatatlan hibákat. Kezdjük az 5a. ábrával, amely számos első generációs meghajtómodell medián RBER-ét ábrázolja azon napok százalékos arányában, amelyeken korrigálhatatlan UE-hibákat tapasztaltak. Megjegyzendő, hogy a grafikonon látható 16 modell közül néhány nem szerepel az 1. táblázatban az analitikai információk hiánya miatt.
Rizs. 5a. A medián RBER és a nem javítható hibák közötti kapcsolat a különböző meghajtómodellek esetében.
Rizs. 5b. Kapcsolat a medián RBER és az ugyanazon modell különböző meghajtóinak javíthatatlan hibái között.
Emlékezzünk vissza, hogy az azonos generáción belüli összes modell ugyanazt az ECC-mechanizmust használja, így a modellek közötti különbségek függetlenek az ECC-különbségektől. Nem láttunk összefüggést az RBER és az UE események között. Ugyanezt a diagramot hoztuk létre a 95. percentilis RBER versus UE valószínűségére, és ismét nem láttunk összefüggést.
Ezután megismételtük az elemzést granulált szinten az egyes meghajtókra, azaz megpróbáltuk kideríteni, hogy vannak-e olyan meghajtók, ahol magasabb RBER érték magasabb UE frekvenciának felel meg. Példaként, az 5b. ábra az MLC-c modell minden egyes meghajtójára vonatkozó medián RBER-t ábrázolja az UE-k számának függvényében (az eredmények hasonlóak a 95. percentilis RBER-re kapott eredményekhez). Ismét nem láttunk összefüggést az RBER és az UE között.
Végül pontosabb időzítési elemzést végeztünk annak megvizsgálására, hogy a magasabb RBER-rel rendelkező meghajtók működési hónapjai megfelelnek-e azoknak a hónapoknak, amelyek során az UE-k előfordultak. Az 1. ábra már jelezte, hogy a nem javítható hibák és az RBER közötti korrelációs együttható nagyon alacsony. Különböző módszerekkel is kísérleteztünk az UE valószínűségének ábrázolására az RBER függvényében, és nem találtunk bizonyítékot a korrelációra.
Így arra a következtetésre jutottunk, hogy az RBER egy megbízhatatlan mérőszám az UE előrejelzésére. Ez azt jelentheti, hogy az RBER-hez vezető hibamechanizmusok eltérnek azoktól a mechanizmusoktól, amelyek javíthatatlan hibákhoz vezetnek (például az egyes cellákban található hibák, szemben a teljes eszközzel előforduló nagyobb problémákkal).
5.3. Javíthatatlan hibák és kopás.
Mivel az elhasználódás a flash memória egyik fő problémája, a 6. ábra a javíthatatlan meghajtóhibák napi valószínűségét mutatja a PE ciklusok függvényében.
6. ábra: A javíthatatlan hajtáshibák előfordulásának napi valószínűsége a PE ciklusoktól függően.
Megjegyezzük, hogy az UE valószínűsége folyamatosan növekszik a hajtás korával. Az RBER-hez hasonlóan azonban a növekedés lassabb, mint általában feltételezik: a grafikonok azt mutatják, hogy az UE-k lineárisan nőnek, nem pedig exponenciálisan a PE ciklusokkal.
Az RBER-re vonatkozó két következtetés az UE-kra is vonatkozik: egyrészt a hibapotenciál nem növekszik egyértelműen a PE ciklushatár elérése után, például a 6. ábrán az MLC-D modell esetében, amelynek PE ciklushatára 3000. , a hibaarány a különböző modellek között változik, még ugyanazon az osztályon belül is. Ezek a különbségek azonban nem olyan nagyok, mint az RBER esetében.
Végül, az 5.2. szakaszban tett megállapításaink alátámasztására azt találtuk, hogy egyetlen modellosztályon belül (MLC vs. SLC) a legalacsonyabb RBER-értékkel rendelkező modellek adott számú PE-ciklushoz nem feltétlenül azok, amelyek a legalacsonyabbak. az UE előfordulásának valószínűsége. Például az MLC-D modellek több mint 3000 PE ciklust számláló RBER-értékei négyszer alacsonyabbak voltak, mint az MLC-B modellek, de az UE valószínűsége ugyanannyi PE ciklus esetén valamivel magasabb volt az MLC-D modelleknél, mint az MLC-B modelleknél. modellek.
7. ábra: A nem javítható hajtási hibák előfordulásának havi valószínűsége a különböző típusú korábbi hibák meglétének függvényében.
5.4. Javíthatatlan hibák és munkaterhelés.
Ugyanazok az okok miatt, amelyekkel a munkaterhelés hatással lehet az RBER-re (lásd a 4.2.3. szakaszt), várhatóan az UE-re is hatással lesz. Például, mivel megfigyeltük, hogy az olvasássértési hibák hatással vannak az RBER-re, az olvasási műveletek szintén növelhetik a javíthatatlan hibák valószínűségét.
Részletes tanulmányt készítettünk a munkateher EU-ra gyakorolt hatásáról. Azonban, ahogy az 5.1. szakaszban megjegyeztük, nem találtunk összefüggést az UE és az olvasások száma között. Megismételtük ugyanazt az elemzést az írási és törlési műveleteknél, és ismét nem találtunk összefüggést.
Megjegyzendő, hogy első pillantásra ez ellentmond annak a korábbi megfigyelésünknek, hogy a javíthatatlan hibák korrelálnak a PE ciklusokkal. Ezért az írási és törlési műveletek számával összefüggésre számíthatunk.
A PE-ciklusok hatásának elemzése során azonban a kopás hatásának mérése érdekében összehasonlítottuk az adott hónapban előforduló javíthatatlan hibák számát a hajtásban az eddigi élettartama során átélt PE ciklusok teljes számával. A terhelés hatásának vizsgálatakor a meghajtó működésének azon hónapjait vizsgáltuk, amelyekben a legtöbb olvasási/írási/törlési művelet történt egy adott hónapban, amelyeknél nagyobb eséllyel okoztak javíthatatlan hibákat is, azaz nem vettük figyelembe vegye figyelembe az olvasási/írási/törlési műveletek teljes számát.
Ennek eredményeként arra a következtetésre jutottunk, hogy a kijavíthatatlan hibák kialakulásában nem az olvasási hiba, az írási hiba és a hiányos törlési hibák a fő tényezők.
Köszönjük, hogy velünk tartott. Tetszenek cikkeink? További érdekes tartalmakat szeretne látni? Támogass minket rendeléssel vagy ajánlj ismerőseidnek, 30% kedvezmény a Habr felhasználóknak a belépő szintű szerverek egyedülálló analógjára, amelyet mi találtunk ki Önnek: (RAID1 és RAID10, akár 24 maggal és akár 40 GB DDR4-gyel is elérhető).
Dell R730xd kétszer olcsóbb? Csak itt Hollandiában! Dell R420 - 2x E5-2430 2.2 Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - 99 dollártól! Olvasni valamiről
Forrás: will.com