4.2.2. RBER և սկավառակի տարիք (բացառությամբ PE ցիկլերի):
Նկար 1-ը ցույց է տալիս RBER-ի և տարիքի զգալի հարաբերակցությունը, որը սկավառակի դաշտում եղած ամիսների թիվն է: Այնուամենայնիվ, սա կարող է կեղծ հարաբերակցություն լինել, քանի որ հավանական է, որ հին կրիչներն ավելի շատ PE-ներ ունեն, և, հետևաբար, RBER-ն ավելի շատ փոխկապակցված է PE ցիկլերի հետ:
PE ցիկլերի հետևանքով առաջացած մաշվածության վրա տարիքի ազդեցությունը վերացնելու համար մենք խմբավորեցինք ծառայության բոլոր ամիսները կոնտեյներների մեջ՝ օգտագործելով PE ցիկլի բաշխման դեցիլները՝ որպես բեռնարկղերի միջև ընկած հատված, օրինակ՝ առաջին բեռնարկղը պարունակում է սկավառակի ծառայության բոլոր ամիսները մինչև PE ցիկլի բաշխման առաջին դեցիլը և այլն: Մենք ստուգեցինք, որ յուրաքանչյուր կոնտեյների մեջ PE ցիկլերի և RBER-ի միջև հարաբերակցությունը բավականին փոքր է (քանի որ յուրաքանչյուր կոնտեյներ ընդգրկում է միայն PE ցիկլերի փոքր տիրույթ), և այնուհետև հաշվարկեցինք RBER-ի և սկավառակի տարիքի հարաբերակցության գործակիցը յուրաքանչյուր տարայի համար առանձին:
Մենք այս վերլուծությունը կատարեցինք յուրաքանչյուր մոդելի համար առանձին, քանի որ ցանկացած դիտարկված հարաբերակցությունը պայմանավորված է ոչ թե երիտասարդ և ավելի հին մոդելների միջև եղած տարբերություններով, այլ բացառապես նույն մոդելի կրիչների տարիքով: Մենք նկատեցինք, որ նույնիսկ վերը նկարագրված ձևով PE ցիկլերի ազդեցությունը սահմանափակելուց հետո, բոլոր շարժիչ մոդելների համար դեռևս զգալի հարաբերակցություն կա դաշտում սկավառակի գտնվելու ամիսների և դրա RBER-ի միջև (հարաբերակցության գործակիցները տատանվում էին 0,2-ից մինչև 0,4: )
Բրինձ. 3. RBER-ի և PE ցիկլերի քանակի միջև կապը նոր և հին սկավառակների համար ցույց է տալիս, որ սկավառակի տարիքը ազդում է RBER արժեքի վրա՝ անկախ մաշվածության հետևանքով առաջացած PE ցիկլերից:
Մենք նաև գրաֆիկորեն պատկերացրինք սկավառակի տարիքի ազդեցությունը՝ բաժանելով «երիտասարդ» տարիքում սկավառակի օգտագործման օրերը մինչև 1 տարեկան և 4 տարեկանից բարձր սկավառակի օգտագործման օրերը, այնուհետև գծագրեցինք յուրաքանչյուրի RBER-ը։ խումբ՝ ընդդեմ PE ցիկլերի քանակի: Նկար 3-ը ցույց է տալիս այս արդյունքները MLC-D սկավառակի մոդելի համար: Մենք տեսնում ենք RBER արժեքների նկատելի տարբերություն հին և նոր սկավառակների խմբերի միջև բոլոր PE ցիկլերի ընթացքում:
Այստեղից մենք եզրակացնում ենք, որ տարիքը, որը չափվում է դաշտում սկավառակի օգտագործման օրերով, էական ազդեցություն ունի RBER-ի վրա՝ անկախ PE ցիկլերի ազդեցության պատճառով հիշողության բջիջների մաշվածությունից: Սա նշանակում է, որ այլ գործոններ, ինչպիսիք են սիլիցիումի ծերացումը, մեծ դեր են խաղում սկավառակի ֆիզիկական մաշվածության մեջ:
4.2.3. RBER և ծանրաբեռնվածություն:
Ենթադրվում է, որ բիթային սխալները պայմանավորված են չորս մեխանիզմներից մեկով.
- պահեստավորման սխալներ Պահպանման սխալներ, երբ հիշողության բջիջը ժամանակի ընթացքում կորցնում է տվյալները
Կարդալու խանգարման սխալներ, որոնց դեպքում ընթերցման գործողությունը վնասում է հարակից բջիջի պարունակությունը. - Գրել խանգարման սխալներ, որոնց դեպքում ընթերցման գործողությունը վնասում է հարակից բջիջի բովանդակությունը.
- Անավարտ ջնջման սխալներ, երբ ջնջման գործողությունը ամբողջությամբ չի ջնջում բջիջի բովանդակությունը:
Վերջին երեք տեսակի սխալները (կարդալու խանգարում, գրելու խանգարում, թերի ջնջում) փոխկապակցված են աշխատանքային ծանրաբեռնվածության հետ, ուստի RBER-ի և աշխատանքային ծանրաբեռնվածության միջև հարաբերակցությունը հասկանալն օգնում է մեզ հասկանալ սխալի տարբեր մեխանիզմների տարածվածությունը: Վերջերս կատարված ուսումնասիրության մեջ՝ «Ֆլեշ հիշողության խափանումների լայնածավալ ուսումնասիրություն դաշտում» (MEZA, J., WU, Q., KUMAR, S., MUTLU, O. «Մի լայնածավալ ուսումնասիրություն ֆլեշ հիշողության խափանումների ոլորտում 2015 թվականի ACM SIGMETRICS միջազգային կոնֆերանսի զեկույցում համակարգչային համակարգերի չափման և մոդելավորման վերաբերյալ, Նյու Յորք, 2015, SIGMETRICS '15, ACM, էջ 177–190) եզրակացրել է, որ պահեստավորման սխալները գերակշռում են դաշտում, մինչդեռ կարդալու սխալները: բավականին փոքր են:
Նկար 1-ը ցույց է տալիս զգալի կապ RBER արժեքի միջև սկավառակի ծառայության տվյալ ամսվա և որոշ մոդելների համար նույն ամսում ընթերցումների, գրելու և ջնջումների քանակի միջև (օրինակ՝ MLC - B-ի համար հարաբերակցության գործակիցը 0,2-ից բարձր է: մոդելը և 0,6-ից բարձր SLC-B-ի համար): Այնուամենայնիվ, հնարավոր է, որ սա կեղծ հարաբերակցություն է, քանի որ ամսական ծանրաբեռնվածությունը կարող է կապված լինել PE ցիկլերի ընդհանուր թվի հետ:
Մենք օգտագործեցինք նույն մեթոդաբանությունը, որը նկարագրված է Բաժին 4.2.2-ում, աշխատանքային ծանրաբեռնվածության ազդեցությունը PE ցիկլերի ազդեցությունից մեկուսացնելու համար՝ մեկուսացնելով շարժիչի ամիսների աշխատանքը՝ հիմնված նախորդ PE ցիկլերի վրա, և այնուհետև յուրաքանչյուր կոնտեյների համար առանձին որոշելով հարաբերակցության գործակիցները:
Մենք տեսանք, որ սկավառակի ծառայության տվյալ ամսվա ընթացքում ընթերցումների քանակի և այդ ամսվա RBER արժեքի միջև հարաբերակցությունը պահպանվում էր MLC-B և SLC-B մոդելների համար, նույնիսկ երբ սահմանափակվում էին PE ցիկլերը: Մենք նաև կրկնեցինք նմանատիպ վերլուծություն, որտեղ մենք բացառեցինք ընթերցումների ազդեցությունը միաժամանակյա գրումների և ջնջումների քանակի վրա, և եզրակացրինք, որ RBER-ի և ընթերցումների քանակի միջև հարաբերակցությունը ճիշտ է SLC-B մոդելի համար:
Նկար 1-ը նաև ցույց է տալիս RBER-ի և գրելու և ջնջելու գործողությունների հարաբերակցությունը, ուստի մենք կրկնեցինք նույն վերլուծությունը կարդալու, գրելու և ջնջելու գործողությունների համար: Մենք եզրակացնում ենք, որ սահմանափակելով PE ցիկլերի և ընթերցումների ազդեցությունը, չկա որևէ կապ RBER արժեքի և գրումների և ջնջումների քանակի միջև:
Այսպիսով, կան սկավառակի մոդելներ, որտեղ ընթերցման խախտման սխալները զգալի ազդեցություն ունեն RBER-ի վրա: Մյուս կողմից, չկա որևէ ապացույց, որ RBER-ի վրա ազդում են գրելու խախտման սխալները և թերի ջնջման սխալները:
4.2.4 RBER և վիմագրություն.
Օբյեկտների չափերի տարբերությունները կարող են մասամբ բացատրել RBER արժեքների տարբերությունները նույն տեխնոլոգիան օգտագործող շարժիչ մոդելների միջև, օրինակ՝ MLC կամ SLC: (Տե՛ս Աղյուսակ 1-ը՝ այս ուսումնասիրության մեջ ներառված տարբեր մոդելների վիմագրության ակնարկի համար):
Օրինակ, 2 նմ լիտոգրաֆիայով 34 SLC մոդելներ (մոդելներ SLC-A և SLC-D) ունեն RBER, որը մեծության կարգով ավելի բարձր է, քան 2 նմ միկրոէլեկտրոնային լիտոգրաֆիա ունեցող 50 մոդելները (մոդելներ SLC-B և SLC-C): MLC մոդելների դեպքում միայն 43 նմ մոդելը (MLC-B) ունի միջին RBER, որը 50%-ով ավելի բարձր է, քան 3 նմ լիտոգրաֆիա ունեցող մյուս 50 մոդելները: Ավելին, RBER-ի այս տարբերությունը մեծանում է 4-ով, քանի որ սկավառակները մաշվում են, ինչպես ցույց է տրված Նկար 2-ում: Վերջապես, ավելի բարակ լիտոգրաֆիան կարող է բացատրել eMLC կրիչների ավելի բարձր RBER-ը, համեմատած MLC կրիչների: Ընդհանուր առմամբ, մենք ունենք հստակ ապացույցներ, որ լիտոգրաֆիան ազդում է RBER-ի վրա:
4.2.5. Այլ սխալների առկայությունը:
Մենք ուսումնասիրել ենք RBER-ի և սխալների այլ տեսակների միջև փոխհարաբերությունները, ինչպիսիք են անուղղելի սխալները, ժամկետանց սխալները և այլն, մասնավորապես, թե արդյոք RBER արժեքը ավելի բարձր է դառնում այլ տեսակի սխալների ազդեցության մեկ ամիս հետո:
Գծապատկեր 1-ը ցույց է տալիս, որ թեև նախորդ ամսվա RBER-ը կանխատեսում է ապագա RBER արժեքները (հարաբերակցության գործակիցը ավելի մեծ է, քան 0,8), չկա էական հարաբերակցություն անուղղելի սխալների և RBER-ի միջև (Նկար 1-ի տարրերի ամենաաջ խումբը): Սխալների այլ տեսակների դեպքում հարաբերակցության գործակիցը նույնիսկ ավելի ցածր է (նկարում ներկայացված չէ): Մենք հետագայում ուսումնասիրեցինք RBER-ի և անուղղելի սխալների միջև կապը այս փաստաթղթի 5.2 բաժնում:
4.2.6. Այլ գործոնների ազդեցությունը.
Մենք գտանք ապացույցներ, որ կան գործոններ, որոնք էական ազդեցություն ունեն RBER-ի վրա, որոնք մեր տվյալները չէին կարող հաշվի առնել: Մասնավորապես, մենք նկատեցինք, որ սկավառակի տվյալ մոդելի համար RBER-ը տատանվում է՝ կախված այն կլաստերից, որում տեղադրված է սկավառակը: Լավ օրինակ է Նկար 4-ը, որը ցույց է տալիս RBER-ը որպես PE ցիկլերի ֆունկցիա MLC-D կրիչների համար երեք տարբեր կլաստերներում (հատված գծեր) և համեմատում է այն RBER-ի հետ այս մոդելի համար՝ կապված կրիչների ընդհանուր քանակի հետ (հաստ գիծ): Մենք գտնում ենք, որ այդ տարբերությունները պահպանվում են նույնիսկ այն դեպքում, երբ մենք սահմանափակում ենք այնպիսի գործոնների ազդեցությունը, ինչպիսիք են սկավառակի տարիքը կամ ընթերցումների քանակը:
Դրա հնարավոր բացատրություններից մեկը կլաստերների միջև աշխատանքային ծանրաբեռնվածության տեսակի տարբերություններն են, քանի որ մենք նկատում ենք, որ կլաստերները, որոնց ծանրաբեռնվածությունն ունեն ամենաբարձր կարդալու/գրելու հարաբերակցությունը, ունեն ամենաբարձր RBER:
Բրինձ. 4 ա), բ). Միջին RBER արժեքները որպես PE ցիկլերի ֆունկցիա երեք տարբեր կլաստերների համար և կարդալու/գրելու հարաբերակցության կախվածությունը երեք տարբեր կլաստերների համար PE ցիկլերի քանակից:
Օրինակ, Նկար 4(բ)-ը ցույց է տալիս MLC-D սկավառակի մոդելի համար տարբեր կլաստերների կարդալ/գրել հարաբերակցությունը: Այնուամենայնիվ, կարդալ/գրել հարաբերակցությունը չի բացատրում կլաստերների միջև եղած տարբերությունները բոլոր մոդելների համար, ուստի կարող են լինել այլ գործոններ, որոնք հաշվի չեն առնվում մեր տվյալների վրա, ինչպիսիք են շրջակա միջավայրի գործոնները կամ արտաքին աշխատանքային ծանրաբեռնվածության այլ պարամետրերը:
4.3. RBER արագացված ամրության փորձարկման ժամանակ:
Գիտական աշխատանքների մեծ մասը, ինչպես նաև արդյունաբերական մասշտաբով կրիչներ գնելու ժամանակ անցկացված թեստերը կանխատեսում են սարքավորումների հուսալիությունը ոլորտում՝ հիմնվելով արագացված ամրության թեստերի արդյունքների վրա: Մենք որոշեցինք պարզել, թե որքանով են նման թեստերի արդյունքները համապատասխանում պինդ վիճակում պահեստավորման կրիչների շահագործման գործնական փորձին:
Google տվյալների կենտրոններին մատակարարվող սարքավորումների ընդհանուր արագացված փորձարկման մեթոդաբանության միջոցով իրականացված փորձարկման արդյունքների վերլուծությունը ցույց է տվել, որ դաշտի RBER արժեքները զգալիորեն ավելի բարձր են, քան կանխատեսված էր: Օրինակ, eMLC-a մոդելի համար դաշտում գործող սկավառակների միջին RBER-ը (փորձարկման վերջում PE ցիկլերի թիվը հասել է 600-ի) եղել է 1e-05, մինչդեռ նախնական արագացված փորձարկման արդյունքների համաձայն՝ այս RBER. արժեքը պետք է համապատասխանի ավելի քան 4000 PE ցիկլերին: Սա ցույց է տալիս, որ շատ դժվար է ճշգրիտ կանխատեսել RBER արժեքը դաշտում՝ հիմնվելով լաբորատոր փորձարկումներից ստացված RBER գնահատումների վրա:
Մենք նաև նշել ենք, որ որոշ տեսակի սխալներ բավականին դժվար է վերարտադրել արագացված թեստավորման ժամանակ: Օրինակ, MLC-B մոդելի դեպքում դաշտային սկավառակների գրեթե 60%-ի մոտ առաջանում են անուղղելի սխալներ, իսկ կրիչների գրեթե 80%-ի մոտ առաջանում են վատ բլոկներ: Այնուամենայնիվ, արագացված դիմացկունության փորձարկման ժամանակ վեց սարքերից և ոչ մեկի մոտ անուղղելի սխալներ չեն գրանցվել, մինչև որ կրիչները հասան PE ցիկլի սահմանաչափի ավելի քան երեք անգամ: eMLC մոդելների համար անուղղելի սխալներ են տեղի ունեցել դաշտային սկավառակների ավելի քան 80%-ում, մինչդեռ արագացված փորձարկման ժամանակ նման սխալներ տեղի են ունեցել 15000 PE ցիկլը հասնելուց հետո:
Մենք նաև ուսումնասիրեցինք RBER-ը, որը ներկայացված էր նախորդ հետազոտական աշխատանքում, որը հիմնված էր վերահսկվող միջավայրում փորձերի վրա, և եզրակացրինք, որ արժեքների շրջանակը չափազանց լայն է: Օրինակ, Լ.Մ. Grupp-ը և մյուսները 2009-2012 թվականների իրենց աշխատանքում հայտնում են RBER արժեքները կրիչների համար, որոնք մոտ են PE ցիկլի սահմանաչափերին հասնելուն: Օրինակ, SLC և MLC սարքերի համար լիտոգրաֆիայի չափսերով, որոնք նման են մեր աշխատանքում օգտագործվող չափերին (25-50 նմ), RBER արժեքը տատանվում է 1e-08-ից մինչև 1e-03, ընդ որում փորձարկված շարժիչ մոդելների մեծամասնությունն ունեն RBER արժեք մոտ 1e-: 06.
Մեր ուսումնասիրության մեջ շարժիչի երեք մոդելները, որոնք հասել են PE ցիկլի սահմանաչափին, ունեին RBER-ներ, որոնք տատանվում էին 3e-08-ից մինչև 8e-08: Նույնիսկ հաշվի առնելով, որ մեր թվերը ստորին սահմաններ են և բացարձակ վատագույն դեպքում կարող են լինել 16 անգամ ավելի, կամ հաշվի առնելով RBER-ի 95-րդ տոկոսը, մեր արժեքները դեռ զգալիորեն ցածր են:
Ընդհանուր առմամբ, չնայած RBER-ի իրական արժեքները ավելի բարձր են, քան կանխատեսված արժեքները, որոնք հիմնված են արագացված ամրության փորձարկման վրա, դրանք դեռևս ավելի ցածր են, քան RBER-ների մեծ մասը նմանատիպ սարքերի համար, որոնք ներկայացված են այլ հետազոտական փաստաթղթերում և հաշվարկվում են լաբորատոր թեստերից: Սա նշանակում է, որ դուք չպետք է ապավինեք դաշտի կանխատեսված RBER արժեքներին, որոնք ստացվել են արագացված ամրության փորձարկումից:
5. Անուղղելի սխալներ.
Հաշվի առնելով անուղղելի սխալների (UEs) լայն տարածվածությունը, որոնք քննարկվել են սույն հոդվածի 3-րդ բաժնում, այս բաժնում մենք ավելի մանրամասն ուսումնասիրում ենք դրանց բնութագրերը: Մենք սկսում ենք քննարկելով, թե որ չափանիշն է օգտագործել UE-ն չափելու համար, ինչպես է այն կապված RBER-ի հետ և ինչպես է UE-ի վրա ազդում տարբեր գործոններ:
5.1. Ինչու UBER հարաբերակցությունը իմաստ չունի:
Անուղղելի սխալները բնութագրող ստանդարտ չափանիշը UBER-ի անուղղելի բիթերի սխալի արագությունն է, այսինքն՝ անուղղելի բիթային սխալների քանակի հարաբերակցությունը կարդացված բիթերի ընդհանուր թվին:
Այս չափանիշը անուղղակիորեն ենթադրում է, որ անուղղելի սխալների թիվը ինչ-որ կերպ կապված է կարդացված բիթերի քանակի հետ, և, հետևաբար, պետք է նորմալացվի այս թվով:
Այս ենթադրությունը վավեր է ուղղելի սխալների դեպքում, որտեղ տվյալ ամսվա ընթացքում նկատված սխալների թիվը մեծապես փոխկապակցված է նույն ժամանակահատվածում ընթերցումների քանակի հետ (Spearman հարաբերակցության գործակիցը 0.9-ից մեծ է): Նման ուժեղ հարաբերակցության պատճառն այն է, որ նույնիսկ մեկ վատ բիթը, քանի դեռ այն ուղղելի է ECC-ի միջոցով, կշարունակի մեծացնել սխալների թիվը իր կողմից հասանելի յուրաքանչյուր ընթերցման գործողության հետ, քանի որ վատ բիթ պարունակող բջիջի գնահատումը հետևյալն է. անմիջապես չի ուղղվում, երբ սխալ է հայտնաբերվում (սկավառակները միայն պարբերաբար վերաշարադրում են վնասված բիթներով էջերը):
Նույն ենթադրությունը չի վերաբերում անուղղելի սխալներին: Անուղղելի սխալը բացառում է վնասված բլոկի հետագա օգտագործումը, ուստի հայտնաբերումից հետո նման բլոկը ապագայում չի ազդի սխալների քանակի վրա:
Այս ենթադրությունը պաշտոնապես հաստատելու համար մենք օգտագործեցինք տարբեր չափումներ՝ չափելու սկավառակի ծառայության տվյալ ամսվա ընթացքում ընթերցումների քանակի և նույն ժամանակահատվածում անուղղելի սխալների քանակի միջև կապը, ներառյալ տարբեր հարաբերակցության գործակիցները (Pearson, Spearman, Kendall) , ինչպես նաեւ գրաֆիկների տեսողական ստուգում : Ի լրումն անուղղելի սխալների քանակի, մենք նաև դիտարկել ենք անուղղելի սխալի դեպքերի հաճախականությունը (այսինքն՝ հավանականությունը, որ սկավառակը կունենա առնվազն մեկ նման միջադեպ տվյալ ժամանակահատվածում) և դրանց կապը կարդալու գործողությունների հետ:
Մենք ոչ մի ապացույց չգտանք ընթերցումների քանակի և անուղղելի սխալների քանակի միջև հարաբերակցության մասին: Բոլոր շարժիչ մոդելների համար հարաբերակցության գործակիցները եղել են 0.02-ից ցածր, և գրաֆիկները չեն ցույց տվել UE-ի որևէ աճ, քանի որ ընթերցումների քանակն աճել է:
Այս հոդվածի 5.4 բաժնում մենք քննարկում ենք, որ գրելու և ջնջելու գործողությունները նույնպես կապ չունեն անուղղելի սխալների հետ, ուստի UBER-ի այլընտրանքային սահմանումը, որը նորմալացվում է կարդալու գործողությունների փոխարեն գրելու կամ ջնջելու գործողություններով, իմաստ չունի:
Հետևաբար, մենք եզրակացնում ենք, որ UBER-ը իմաստալից չափիչ չէ, բացառությամբ, հավանաբար, երբ փորձարկվում է վերահսկվող միջավայրում, որտեղ ընթերցումների քանակը սահմանվում է փորձարարի կողմից: Եթե UBER-ը որպես չափիչ օգտագործվի դաշտային փորձարկման ժամանակ, այն արհեստականորեն կնվազեցնի ընթերցումների մեծ քանակով կրիչների սխալի մակարդակը և արհեստականորեն կուռճացնի ցածր ընթերցումների քանակով սկավառակների սխալների մակարդակը, քանի որ անուղղելի սխալներ են տեղի ունենում՝ անկախ ընթերցումների քանակից:
5.2. Անուղղելի սխալներ և RBER:
RBER-ի արդիականությունը բացատրվում է նրանով, որ այն ծառայում է որպես շարժիչի ընդհանուր հուսալիությունը որոշելու միջոց, մասնավորապես՝ հիմնվելով անուղղելի սխալների հավանականության վրա: Իրենց աշխատանքում Ն. Միելկեն և այլոք 2008թ.-ին առաջինն առաջարկեցին սահմանել սպասվող անուղղելի սխալի մակարդակը որպես RBER-ի ֆունկցիա: Այդ ժամանակից ի վեր, շատ համակարգերի մշակողներ օգտագործել են նմանատիպ մեթոդներ, ինչպիսիք են ակնկալվող անուղղելի սխալի մակարդակի գնահատումը որպես RBER և ECC տիպի գործառույթ:
Այս բաժնի նպատակն է բնութագրել, թե որքան լավ է RBER-ը կանխատեսում անուղղելի սխալները: Սկսենք Նկար 5ա-ից, որը գծագրում է RBER-ի մեդիանը մի շարք առաջին սերնդի շարժիչ մոդելների համար՝ համեմատած այն օրերի տոկոսի հետ, որոնք նրանք օգտագործել են, երբ UE-ի անուղղելի սխալներ են գրանցվել: Հարկ է նշել, որ գրաֆիկում ներկայացված 16 մոդելներից մի քանիսը ներառված չեն Աղյուսակ 1-ում՝ վերլուծական տեղեկատվության բացակայության պատճառով:
Բրինձ. 5 ա. Միջին RBER-ի և տարբեր շարժիչ մոդելների համար անուղղելի սխալների միջև կապը:
Բրինձ. 5բ. Միջին RBER-ի և նույն մոդելի տարբեր կրիչների համար անուղղելի սխալների միջև կապը:
Հիշեցնենք, որ նույն սերնդի բոլոր մոդելներն օգտագործում են նույն ECC մեխանիզմը, ուստի մոդելների միջև տարբերությունները անկախ են ECC տարբերություններից: Մենք ոչ մի կապ չտեսանք RBER-ի և UE-ի միջադեպերի միջև: Մենք ստեղծեցինք նույն սյուժեն 95-րդ տոկոսային RBER-ի համեմատ UE հավանականության համար և կրկին կապ չտեսանք:
Այնուհետև մենք կրկնեցինք վերլուծությունը առանձին սկավառակների հատիկավորության դեպքում, այսինքն՝ փորձեցինք պարզել, թե արդյոք կան սկավառակներ, որտեղ RBER ավելի բարձր արժեքը համապատասխանում է ավելի բարձր UE հաճախականությանը: Որպես օրինակ, Նկար 5b-ում գծագրվում է MLC-c մոդելի յուրաքանչյուր դրայվի միջին RBER-ը` համեմատած UE-ների քանակի հետ (արդյունքները նման են 95-րդ տոկոսային RBER-ի համար ստացված արդյունքներին): Կրկին, մենք որևէ հարաբերակցություն չտեսանք RBER-ի և UE-ի միջև:
Ի վերջո, մենք կատարեցինք ժամանակի ավելի ճշգրիտ վերլուծություն՝ ստուգելու համար, թե արդյոք ավելի բարձր RBER ունեցող կրիչների գործառնական ամիսները կհամապատասխանեն այն ամիսներին, որոնց ընթացքում տեղի են ունեցել UE-ներ: Գծապատկեր 1-ն արդեն ցույց է տվել, որ անուղղելի սխալների և RBER-ի միջև հարաբերակցության գործակիցը շատ ցածր է: Մենք փորձեցինք նաև UE-ի հավանականությունը RBER-ի ֆունկցիայի գծագրման տարբեր եղանակներով և հարաբերակցության որևէ ապացույց չգտանք:
Այսպիսով, մենք եզրակացնում ենք, որ RBER-ը անվստահելի չափիչ է UE-ի կանխատեսման համար: Սա կարող է նշանակել, որ խափանման մեխանիզմները, որոնք հանգեցնում են RBER-ին, տարբերվում են մեխանիզմներից, որոնք հանգեցնում են անուղղելի սխալների (օրինակ՝ առանձին բջիջներում պարունակվող սխալներն ընդդեմ ամբողջ սարքի հետ առաջացող ավելի մեծ խնդիրների):
5.3. Անուղղելի սխալներ և մաշվածություն:
Քանի որ մաշվածությունը ֆլեշ հիշողության հիմնական խնդիրներից մեկն է, Նկար 6-ը ցույց է տալիս սկավառակի անուղղելի սխալների ամենօրյա հավանականությունը՝ որպես PE ցիկլերի ֆունկցիա:
Նկար 6. Անուղղելի շարժիչի սխալների առաջացման ամենօրյա հավանականությունը կախված PE ցիկլերից:
Մենք նշում ենք, որ UE-ի հավանականությունը անընդհատ աճում է սկավառակի տարիքի հետ: Այնուամենայնիվ, ինչպես RBER-ի դեպքում, աճն ավելի դանդաղ է, քան սովորաբար ենթադրվում էր. գրաֆիկները ցույց են տալիս, որ UE-ները PE ցիկլերի հետ աճում են ոչ թե էքսպոնենցիալ, այլ գծային:
Երկու եզրակացությունը, որը մենք արել ենք RBER-ի համար, կիրառելի են նաև UE-ների համար. առաջինը, PE ցիկլի սահմանը հասնելուց հետո սխալի պոտենցիալի հստակ աճ չկա, ինչպես օրինակ MLC-D մոդելի Նկար 6-ում, որի PE ցիկլի սահմանը 3000 է: Երկրորդ, Երկրորդը. , սխալի մակարդակը տատանվում է տարբեր մոդելների միջև, նույնիսկ նույն դասի շրջանակներում: Այնուամենայնիվ, այս տարբերությունները այնքան մեծ չեն, որքան RBER-ի համար:
Ի վերջո, 5.2-րդ բաժնի մեր բացահայտումների համար մենք գտանք, որ մեկ մոդելի դասի շրջանակներում (MLC ընդդեմ SLC), PE ցիկլերի համար ամենացածր RBER արժեքներով մոդելները պարտադիր չէ, որ լինեն ամենացածրը: UE-ի առաջացման հավանականությունը. Օրինակ, ավելի քան 3000 PE ցիկլեր, MLC-D մոդելներն ունեին RBER արժեքներ 4 անգամ ավելի ցածր, քան MLC-B մոդելները, բայց UE հավանականությունը նույն թվով PE ցիկլերի համար մի փոքր ավելի բարձր էր MLC-D մոդելների համար, քան MLC-B-ի համար: մոդելներ.
Գծապատկեր 7. Անուղղելի շարժիչ սխալների առաջացման ամսական հավանականությունը՝ կախված տարբեր տեսակի նախկին սխալների առկայությունից:
5.4. Անուղղելի սխալներ և ծանրաբեռնվածություն:
Նույն պատճառներով, որոնց ծանրաբեռնվածությունը կարող է ազդել RBER-ի վրա (տես Բաժին 4.2.3), կարելի է ակնկալել, որ այն կազդի նաև UE-ի վրա: Օրինակ, քանի որ մենք նկատեցինք, որ ընթերցման խախտման սխալները ազդում են RBER-ի վրա, կարդալու գործողությունները կարող են նաև մեծացնել անուղղելի սխալների հավանականությունը:
Մենք մանրամասն ուսումնասիրություն ենք անցկացրել ԵՄ-ի վրա ծանրաբեռնվածության ազդեցության վերաբերյալ: Այնուամենայնիվ, ինչպես նշված է Բաժին 5.1-ում, մենք կապ չգտանք UE-ի և ընթերցումների քանակի միջև: Մենք կրկնեցինք նույն վերլուծությունը գրելու և ջնջելու գործողությունների համար և կրկին կապ չտեսանք:
Նկատի ունեցեք, որ առաջին հայացքից թվում է, որ սա հակասում է մեր նախորդ դիտարկմանը, որ անուղղելի սխալները փոխկապակցված են PE ցիկլերի հետ: Հետևաբար, կարելի է ակնկալել հարաբերակցություն գրելու և ջնջելու գործողությունների քանակի հետ:
Այնուամենայնիվ, PE ցիկլերի ազդեցության մեր վերլուծության ժամանակ մենք համեմատեցինք տվյալ ամսվա ընթացքում անուղղելի սխալների թիվը PE ցիկլերի ընդհանուր թվի հետ, որոնք կրիչը մինչ օրս ունեցել է իր ողջ կյանքի ընթացքում՝ մաշվածության ազդեցությունը չափելու համար: Աշխատանքային ծանրաբեռնվածության ազդեցությունն ուսումնասիրելիս մենք դիտարկել ենք սկավառակի շահագործման ամիսները, որոնք ունեցել են տվյալ ամսվա ընթացքում կարդալու/գրելու/ջնջելու ամենաշատ գործողությունները, որոնք նաև անուղղելի սխալներ առաջացնելու ավելի մեծ հավանականություն են ունեցել, այսինքն՝ մենք չենք հաշվի առել։ հաշվի առնել ընթերցման/գրելու/ջնջելու գործողությունների ընդհանուր թիվը:
Արդյունքում մենք եկանք այն եզրակացության, որ կարդալու խախտման սխալները, գրելու խախտումների սխալները և թերի ջնջման սխալները անուղղելի սխալների առաջացման հիմնական գործոնները չեն։
Շնորհակալություն մեզ հետ մնալու համար: Ձեզ դուր են գալիս մեր հոդվածները: Ցանկանու՞մ եք տեսնել ավելի հետաքրքիր բովանդակություն: Աջակցեք մեզ՝ պատվիրելով կամ խորհուրդ տալով ընկերներին, 30% զեղչ Habr-ի օգտատերերի համար մուտքի մակարդակի սերվերների եզակի անալոգի վրա, որը ստեղծվել է մեր կողմից ձեզ համար. (հասանելի է RAID1 և RAID10-ով, մինչև 24 միջուկով և մինչև 40 ԳԲ DDR4):
Dell R730xd 2 անգամ ավելի էժան? Միայն այստեղ Նիդեռլանդներում! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99-ից: Կարդացեք մասին
Source: www.habr.com