4.2.2. RBER dan usia disk (tidak termasuk siklus PE).
Gambar 1 menunjukkan korelasi yang signifikan antara RBER dan usia, yang merupakan jumlah bulan disk tersebut berada di lapangan. Namun, hal ini mungkin merupakan korelasi palsu karena kemungkinan besar hard disk lama memiliki lebih banyak PE sehingga RBER lebih berkorelasi dengan siklus PE.
Untuk menghilangkan pengaruh usia terhadap keausan yang disebabkan oleh siklus PE, kami mengelompokkan semua bulan layanan ke dalam kontainer menggunakan desil distribusi siklus PE sebagai batas antar kontainer, misalnya, kontainer pertama berisi semua bulan masa pakai disk hingga desil pertama distribusi siklus PE, dan seterusnya. Kami memverifikasi bahwa dalam setiap wadah, korelasi antara siklus PE dan RBER cukup kecil (karena setiap wadah hanya mencakup sejumlah kecil siklus PE), dan kemudian menghitung koefisien korelasi antara RBER dan usia disk secara terpisah untuk setiap wadah.
Kami melakukan analisis ini secara terpisah untuk setiap model karena setiap korelasi yang diamati bukan disebabkan oleh perbedaan antara model yang lebih muda dan yang lebih tua, namun semata-mata karena usia hard disk pada model yang sama. Kami mengamati bahwa bahkan setelah membatasi pengaruh siklus PE dengan cara yang dijelaskan di atas, untuk semua model penggerak masih terdapat korelasi yang signifikan antara jumlah bulan penggerak berada di lapangan dan RBER-nya (koefisien korelasi berkisar antara 0,2 hingga 0,4 ).
Beras. 3. Hubungan antara RBER dan jumlah siklus PE pada disk baru dan lama menunjukkan bahwa usia disk mempengaruhi nilai RBER terlepas dari siklus PE yang disebabkan oleh keausan.
Kami juga memvisualisasikan secara grafis pengaruh usia drive dengan membagi hari penggunaan drive pada usia βmudaβ hingga 1 tahun dan hari penggunaan drive di atas usia 4 tahun, lalu memplot RBER masing-masing. kelompok terhadap jumlah siklus PE. Gambar 3 menunjukkan hasil ini untuk model penggerak MLC-D. Kami melihat perbedaan nyata dalam nilai RBER antara kelompok disk lama dan baru di seluruh siklus PE.
Dari sini, kami menyimpulkan bahwa usia, yang diukur berdasarkan hari penggunaan disk di lapangan, memiliki dampak signifikan terhadap RBER, terlepas dari keausan sel memori akibat paparan siklus PE. Ini berarti bahwa faktor lain, seperti penuaan silikon, berperan besar dalam keausan fisik disk.
4.2.3. RBER dan beban kerja.
Kesalahan bit diperkirakan disebabkan oleh salah satu dari empat mekanisme:
- kesalahan penyimpanan Kesalahan retensi, ketika sel memori kehilangan data seiring waktu
Kesalahan gangguan baca, di mana operasi baca merusak konten sel yang berdekatan; - Kesalahan gangguan tulis, di mana operasi baca merusak konten sel yang berdekatan;
- Kesalahan penghapusan tidak lengkap, ketika operasi penghapusan tidak menghapus seluruh isi sel.
Tiga jenis kesalahan terakhir (gangguan baca, gangguan tulis, penghapusan tidak lengkap) berkorelasi dengan beban kerja, jadi memahami korelasi antara RBER dan beban kerja membantu kita memahami prevalensi berbagai mekanisme kesalahan. Dalam studi terbaru, "Studi skala besar tentang kegagalan memori flash di lapangan" (MEZA, J., WU, Q., KUMAR, S., MUTLU, O. "Studi skala besar tentang kegagalan memori flash di lapangan." Dalam Prosiding Konferensi Internasional ACM SIGMETRICS 2015 tentang Pengukuran dan Pemodelan Sistem Komputer, New York, 2015, SIGMETRICS '15, ACM, hlm. 177β190) menyimpulkan bahwa kesalahan penyimpanan mendominasi di lapangan, sedangkan kesalahan Membaca cukup kecil.
Gambar 1 menunjukkan hubungan yang signifikan antara nilai RBER pada bulan tertentu masa pakai disk dan jumlah pembacaan, penulisan, dan penghapusan pada bulan yang sama untuk beberapa model (misalnya, koefisien korelasi lebih tinggi dari 0,2 untuk MLC - B model dan lebih tinggi dari 0,6 untuk SLC-B). Namun, ada kemungkinan bahwa korelasi ini palsu, karena beban kerja bulanan mungkin terkait dengan jumlah total siklus olahraga.
Kami menggunakan metodologi yang sama yang dijelaskan dalam Bagian 4.2.2 untuk mengisolasi dampak beban kerja dari dampak siklus PE dengan mengisolasi bulan pengoperasian drive berdasarkan siklus PE sebelumnya, dan kemudian menentukan koefisien korelasi secara terpisah untuk setiap kontainer.
Kami melihat bahwa korelasi antara jumlah pembacaan pada bulan tertentu masa pakai disk dan nilai RBER pada bulan tersebut tetap ada untuk model MLC-B dan SLC-B, bahkan ketika siklus PE dibatasi. Kami juga mengulangi analisis serupa di mana kami mengecualikan efek pembacaan pada jumlah penulisan dan penghapusan secara bersamaan, dan menyimpulkan bahwa korelasi antara RBER dan jumlah pembacaan berlaku untuk model SLC-B.
Gambar 1 juga menunjukkan korelasi antara RBER dan operasi tulis dan hapus, jadi kami mengulangi analisis yang sama untuk operasi baca, tulis, dan hapus. Kami menyimpulkan bahwa dengan membatasi dampak siklus PE dan pembacaan, tidak ada hubungan antara nilai RBER dan jumlah penulisan dan penghapusan.
Oleh karena itu, ada model disk di mana kesalahan pelanggaran baca berdampak signifikan pada RBER. Di sisi lain, tidak ada bukti bahwa RBER dipengaruhi oleh kesalahan pelanggaran penulisan dan kesalahan penghapusan tidak lengkap.
4.2.4 RBER dan litografi.
Perbedaan ukuran objek mungkin dapat menjelaskan sebagian perbedaan nilai RBER antara model drive yang menggunakan teknologi yang sama, yaitu MLC atau SLC. (Lihat Tabel 1 untuk gambaran litografi berbagai model yang termasuk dalam penelitian ini).
Misalnya, 2 model SLC dengan litografi 34nm (model SLC-A dan SLC-D) memiliki RBER yang besarnya lebih tinggi dibandingkan 2 model dengan litografi mikroelektronik 50nm (model SLC-B dan SLC-C). Dalam kasus model MLC, hanya model 43nm (MLC-B) yang memiliki median RBER 50% lebih tinggi dibandingkan 3 model lainnya dengan litografi 50nm. Selain itu, perbedaan RBER ini meningkat sebanyak 4 kali lipat seiring dengan keausan drive, seperti yang ditunjukkan pada Gambar 2. Yang terakhir, litografi yang lebih tipis dapat menjelaskan RBER drive eMLC yang lebih tinggi dibandingkan dengan drive MLC. Secara keseluruhan, kami memiliki bukti jelas bahwa litografi mempengaruhi RBER.
4.2.5. Adanya kesalahan lainnya.
Kami menyelidiki hubungan antara RBER dan jenis kesalahan lainnya, seperti kesalahan yang tidak dapat diperbaiki, kesalahan batas waktu, dll., khususnya, apakah nilai RBER menjadi lebih tinggi setelah satu bulan terpapar jenis kesalahan lainnya.
Gambar 1 menunjukkan bahwa meskipun RBER bulan sebelumnya merupakan prediksi nilai RBER di masa depan (koefisien korelasi lebih besar dari 0,8), tidak ada korelasi signifikan antara kesalahan yang tidak dapat diperbaiki dan RBER (kelompok item paling kanan pada Gambar 1). Untuk jenis kesalahan lainnya, koefisien korelasinya bahkan lebih rendah (tidak ditunjukkan pada gambar). Kami mengeksplorasi lebih lanjut hubungan antara RBER dan kesalahan yang tidak dapat diperbaiki di Bagian 5.2 makalah ini.
4.2.6. Pengaruh faktor lain.
Kami menemukan bukti bahwa terdapat faktor-faktor yang mempunyai dampak signifikan terhadap RBER yang tidak dapat diperhitungkan oleh data kami. Secara khusus, kami memperhatikan bahwa RBER untuk model disk tertentu bervariasi tergantung pada cluster tempat disk tersebut disebarkan. Contoh yang baik adalah Gambar 4, yang menunjukkan RBER sebagai fungsi siklus PE untuk penggerak MLC-D di tiga cluster berbeda (garis putus-putus) dan membandingkannya dengan RBER untuk model ini relatif terhadap jumlah total penggerak (garis padat). Kami menemukan bahwa perbedaan ini tetap ada bahkan ketika kami membatasi pengaruh faktor-faktor seperti usia disk atau jumlah pembacaan.
Salah satu penjelasan yang mungkin untuk hal ini adalah perbedaan jenis beban kerja antar klaster, karena kami mengamati bahwa klaster yang beban kerjanya memiliki rasio baca/tulis tertinggi memiliki RBER tertinggi.
Beras. 4 a), b). Nilai median RBER sebagai fungsi siklus PE untuk tiga cluster berbeda dan ketergantungan rasio baca/tulis pada jumlah siklus PE untuk tiga cluster berbeda.
Misalnya, Gambar 4(b) menunjukkan rasio baca/tulis berbagai cluster untuk model drive MLC-D. Namun, rasio baca/tulis tidak menjelaskan perbedaan antarkluster untuk semua model, jadi mungkin ada faktor lain yang tidak diperhitungkan oleh data kami, seperti faktor lingkungan atau parameter beban kerja eksternal lainnya.
4.3. RBER selama pengujian ketahanan yang dipercepat.
Sebagian besar karya ilmiah, serta pengujian yang dilakukan saat membeli media pada skala industri, memprediksi keandalan perangkat di lapangan berdasarkan hasil uji ketahanan yang dipercepat. Kami memutuskan untuk mencari tahu seberapa sesuai hasil pengujian tersebut dengan pengalaman praktis dalam mengoperasikan media penyimpanan solid-state.
Analisis hasil pengujian yang dilakukan menggunakan metodologi pengujian akselerasi umum untuk peralatan yang dipasok ke pusat data Google menunjukkan bahwa nilai RBER lapangan jauh lebih tinggi dari perkiraan. Misalnya untuk model eMLC-a, median RBER untuk disk yang dioperasikan di lapangan (pada akhir pengujian jumlah siklus PE mencapai 600) adalah 1e-05, sedangkan menurut hasil pengujian percepatan awal, RBER ini nilainya harus sesuai dengan lebih dari 4000 siklus PE. Hal ini menunjukkan bahwa sangat sulit untuk memprediksi secara akurat nilai RBER di lapangan berdasarkan perkiraan RBER yang diperoleh dari uji laboratorium.
Kami juga mencatat bahwa beberapa jenis kesalahan cukup sulit untuk direproduksi selama pengujian yang dipercepat. Misalnya, dalam kasus model MLC-B, hampir 60% drive di lapangan mengalami kesalahan yang tidak dapat diperbaiki dan hampir 80% drive mengalami blok buruk. Namun, selama pengujian ketahanan yang dipercepat, tidak satu pun dari enam perangkat mengalami kesalahan yang tidak dapat diperbaiki hingga penggerak mencapai lebih dari tiga kali batas siklus PE. Untuk model eMLC, kesalahan yang tidak dapat diperbaiki terjadi di lebih dari 80% drive di lapangan, sedangkan selama pengujian yang dipercepat, kesalahan tersebut terjadi setelah mencapai 15000 siklus PE.
Kami juga melihat RBER yang dilaporkan dalam penelitian sebelumnya, yang didasarkan pada eksperimen dalam lingkungan terkendali, dan menyimpulkan bahwa kisaran nilainya sangat luas. Misalnya, L.M. Grupp dan lainnya dalam laporan kerja mereka tahun 2009 -2012 nilai RBER untuk penggerak yang hampir mencapai batas siklus PE. Misalnya, untuk perangkat SLC dan MLC dengan ukuran litografi serupa dengan yang digunakan dalam pekerjaan kami (25-50nm), nilai RBER berkisar dari 1e-08 hingga 1e-03, dengan sebagian besar model penggerak yang diuji memiliki nilai RBER mendekati 1e- 06.
Dalam penelitian kami, tiga model penggerak yang mencapai batas siklus PE memiliki RBER berkisar antara 3e-08 hingga 8e-08. Bahkan dengan mempertimbangkan bahwa angka kami berada pada batas bawah dan bisa 16 kali lebih besar dalam kasus terburuk absolut, atau dengan mempertimbangkan persentil ke-95 RBER, nilai kami masih jauh lebih rendah.
Secara keseluruhan, meskipun nilai RBER lapangan sebenarnya lebih tinggi dari nilai prediksi berdasarkan pengujian ketahanan yang dipercepat, nilai tersebut masih lebih rendah dibandingkan sebagian besar RBER untuk perangkat serupa yang dilaporkan dalam makalah penelitian lain dan dihitung dari pengujian laboratorium. Artinya, Anda tidak boleh mengandalkan nilai RBER bidang yang diprediksi yang diperoleh dari pengujian ketahanan yang dipercepat.
5. Kesalahan yang tidak dapat diperbaiki.
Mengingat banyaknya kejadian kesalahan yang tidak dapat diperbaiki (UE), yang telah dibahas di Bagian 3 makalah ini, pada bagian ini kami mengeksplorasi karakteristiknya secara lebih rinci. Kita mulai dengan membahas metrik mana yang digunakan untuk mengukur UE, kaitannya dengan RBER, dan bagaimana UE dipengaruhi oleh berbagai faktor.
5.1. Mengapa rasio UBER tidak masuk akal.
Metrik standar yang mengkarakterisasi kesalahan yang tidak dapat diperbaiki adalah tingkat kesalahan bit yang tidak dapat diperbaiki UBER, yaitu rasio jumlah kesalahan bit yang tidak dapat diperbaiki dengan jumlah total bit yang dibaca.
Metrik ini secara implisit mengasumsikan bahwa jumlah kesalahan yang tidak dapat diperbaiki terkait dengan jumlah bit yang dibaca, dan oleh karena itu harus dinormalisasi dengan angka ini.
Asumsi ini berlaku untuk kesalahan yang dapat diperbaiki, dimana jumlah kesalahan yang diamati pada bulan tertentu ditemukan sangat berkorelasi dengan jumlah pembacaan selama periode waktu yang sama (koefisien korelasi Spearman lebih besar dari 0.9). Alasan untuk korelasi yang kuat ini adalah bahwa bahkan satu bit buruk, selama bit tersebut dapat diperbaiki menggunakan ECC, akan terus meningkatkan jumlah kesalahan dengan setiap operasi baca yang diakses olehnya, karena evaluasi sel yang berisi bit buruk tersebut adalah tidak segera diperbaiki ketika kesalahan terdeteksi (disk hanya menulis ulang halaman dengan bit yang rusak secara berkala).
Asumsi yang sama tidak berlaku untuk kesalahan yang tidak dapat diperbaiki. Kesalahan yang tidak dapat diperbaiki menghalangi penggunaan lebih lanjut dari blok yang rusak, jadi setelah terdeteksi, blok tersebut tidak akan mempengaruhi jumlah kesalahan di masa depan.
Untuk mengkonfirmasi asumsi ini secara formal, kami menggunakan berbagai metrik untuk mengukur hubungan antara jumlah pembacaan pada bulan tertentu masa pakai disk dan jumlah kesalahan yang tidak dapat diperbaiki selama periode waktu yang sama, termasuk berbagai koefisien korelasi (Pearson, Spearman, Kendall) , serta inspeksi visual grafik. Selain jumlah kesalahan yang tidak dapat diperbaiki, kami juga melihat frekuensi kejadian kesalahan yang tidak dapat diperbaiki (yaitu, probabilitas bahwa disk akan mengalami setidaknya satu kejadian tersebut selama periode waktu tertentu) dan hubungannya dengan operasi baca.
Kami tidak menemukan bukti korelasi antara jumlah pembacaan dan jumlah kesalahan yang tidak dapat diperbaiki. Untuk semua model penggerak, koefisien korelasi berada di bawah 0.02, dan grafik tidak menunjukkan peningkatan UE apa pun seiring dengan peningkatan jumlah pembacaan.
Di Bagian 5.4 makalah ini, kami membahas bahwa operasi tulis dan hapus juga tidak ada hubungannya dengan kesalahan yang tidak dapat diperbaiki, sehingga definisi alternatif UBER, yang dinormalisasi dengan operasi tulis atau hapus, bukan operasi baca, tidak ada artinya.
Oleh karena itu kami menyimpulkan bahwa UBER bukanlah metrik yang berarti, kecuali mungkin ketika diuji di lingkungan terkendali di mana jumlah pembacaan ditentukan oleh pelaku eksperimen. Jika UBER digunakan sebagai metrik selama pengujian lapangan, hal ini akan secara artifisial menurunkan tingkat kesalahan untuk drive dengan jumlah baca yang tinggi dan secara artifisial meningkatkan tingkat kesalahan untuk drive dengan jumlah baca yang rendah, karena kesalahan yang tidak dapat diperbaiki terjadi terlepas dari jumlah pembacaannya.
5.2. Kesalahan yang tidak dapat diperbaiki dan RBER.
Relevansi RBER dijelaskan oleh fakta bahwa RBER berfungsi sebagai ukuran untuk menentukan keandalan drive secara keseluruhan, khususnya, berdasarkan kemungkinan kesalahan yang tidak dapat diperbaiki. Dalam karyanya, N. Mielke dkk pada tahun 2008 adalah orang pertama yang mengusulkan untuk mendefinisikan tingkat kesalahan yang diharapkan tidak dapat diperbaiki sebagai fungsi dari RBER. Sejak itu, banyak pengembang sistem telah menggunakan metode serupa, seperti memperkirakan tingkat kesalahan yang diharapkan tidak dapat diperbaiki sebagai fungsi tipe RBER dan ECC.
Tujuan dari bagian ini adalah untuk mengkarakterisasi seberapa baik RBER memprediksi kesalahan yang tidak dapat diperbaiki. Mari kita mulai dengan Gambar 5a, yang memplot median RBER untuk sejumlah model hard disk generasi pertama terhadap persentase hari penggunaan yang mengalami kesalahan UE yang tidak dapat diperbaiki. Perlu dicatat bahwa beberapa dari 16 model yang ditunjukkan pada grafik tidak disertakan dalam Tabel 1 karena kurangnya informasi analitis.
Beras. 5a. Hubungan antara median RBER dan kesalahan yang tidak dapat diperbaiki untuk berbagai model drive.
Beras. 5b. Hubungan antara median RBER dan kesalahan yang tidak dapat diperbaiki untuk drive berbeda dari model yang sama.
Ingatlah bahwa semua model dalam generasi yang sama menggunakan mekanisme ECC yang sama, sehingga perbedaan antar model tidak bergantung pada perbedaan ECC. Kami tidak melihat korelasi antara insiden RBER dan UE. Kami membuat plot yang sama untuk probabilitas RBER persentil ke-95 versus UE dan sekali lagi tidak melihat korelasi.
Selanjutnya, kami mengulangi analisis pada tingkat granular untuk masing-masing drive, yaitu, kami mencoba mencari tahu apakah ada drive di mana nilai RBER yang lebih tinggi berhubungan dengan frekuensi UE yang lebih tinggi. Sebagai contoh, Gambar 5b memplot median RBER untuk setiap penggerak model MLC-c versus jumlah UE (hasilnya serupa dengan yang diperoleh untuk RBER persentil ke-95). Sekali lagi, kami tidak melihat adanya korelasi antara RBER dan UE.
Terakhir, kami melakukan analisis waktu yang lebih tepat untuk memeriksa apakah bulan pengoperasian hard disk dengan RBER lebih tinggi akan sesuai dengan bulan saat UE terjadi. Gambar 1 telah menunjukkan bahwa koefisien korelasi antara kesalahan yang tidak dapat diperbaiki dan RBER sangat rendah. Kami juga bereksperimen dengan berbagai cara untuk memplot probabilitas UE sebagai fungsi RBER dan tidak menemukan bukti korelasi.
Dengan demikian, kami menyimpulkan bahwa RBER adalah metrik yang tidak dapat diandalkan untuk memprediksi UE. Hal ini dapat berarti bahwa mekanisme kegagalan yang menyebabkan RBER berbeda dari mekanisme yang menyebabkan kesalahan yang tidak dapat diperbaiki (misalnya, kesalahan yang terdapat pada sel individual versus masalah lebih besar yang terjadi pada keseluruhan perangkat).
5.3. Kesalahan dan keausan yang tidak dapat diperbaiki.
Karena keausan adalah salah satu masalah utama memori flash, Gambar 6 menunjukkan kemungkinan harian kesalahan drive yang tidak dapat diperbaiki sebagai fungsi dari siklus PE.
Gambar 6. Probabilitas harian terjadinya kesalahan drive yang tidak dapat diperbaiki tergantung pada siklus PE.
Kami mencatat bahwa kemungkinan UE meningkat terus seiring bertambahnya usia drive. Namun, seperti halnya RBER, peningkatannya lebih lambat dari perkiraan biasanya: grafik menunjukkan bahwa UE tumbuh secara linier dibandingkan secara eksponensial dengan siklus PE.
Dua kesimpulan yang kami buat untuk RBER juga berlaku untuk UE: pertama, tidak ada peningkatan potensi kesalahan yang jelas setelah batas siklus PE tercapai, seperti pada Gambar 6 untuk model MLC-D yang batas siklus PE-nya adalah 3000. Kedua, Kedua , tingkat kesalahan bervariasi antar model, bahkan dalam kelas yang sama. Namun perbedaan tersebut tidak sebesar RBER.
Terakhir, untuk mendukung temuan kami di Bagian 5.2, kami menemukan bahwa dalam satu kelas model (MLC vs. SLC), model dengan nilai RBER terendah untuk sejumlah siklus PE tertentu belum tentu merupakan model dengan nilai RBER terendah. kemungkinan terjadinya UE. Misalnya, pada lebih dari 3000 siklus PE, model MLC-D memiliki nilai RBER 4 kali lebih rendah dibandingkan model MLC-B, namun probabilitas UE untuk jumlah siklus PE yang sama sedikit lebih tinggi untuk model MLC-D dibandingkan MLC-B model.
Gambar 7. Kemungkinan bulanan terjadinya kesalahan drive yang tidak dapat diperbaiki sebagai fungsi dari adanya berbagai jenis kesalahan sebelumnya.
5.4. Kesalahan dan beban kerja yang tidak dapat diperbaiki.
Dengan alasan yang sama seperti beban kerja yang dapat mempengaruhi RBER (lihat Bagian 4.2.3), hal ini diperkirakan juga akan mempengaruhi UE. Misalnya, karena kami mengamati bahwa kesalahan pelanggaran baca memengaruhi RBER, operasi baca juga dapat meningkatkan kemungkinan kesalahan yang tidak dapat diperbaiki.
Kami melakukan studi mendetail tentang dampak beban kerja pada UE. Namun, seperti disebutkan di Bagian 5.1, kami tidak menemukan hubungan antara UE dan jumlah pembacaan. Kami mengulangi analisis yang sama untuk operasi tulis dan hapus dan sekali lagi tidak melihat korelasi.
Perhatikan bahwa pada pandangan pertama, hal ini tampaknya bertentangan dengan pengamatan kami sebelumnya bahwa kesalahan yang tidak dapat diperbaiki berkorelasi dengan siklus PE. Oleh karena itu, kita mungkin mengharapkan adanya korelasi dengan jumlah operasi tulis dan hapus.
Namun, dalam analisis kami mengenai dampak siklus PE, kami membandingkan jumlah kesalahan yang tidak dapat diperbaiki pada bulan tertentu dengan jumlah total siklus PE yang dialami hard disk sepanjang masa pakainya hingga saat ini untuk mengukur dampak keausan. Saat mempelajari dampak beban kerja, kami melihat pada bulan-bulan pengoperasian hard disk yang memiliki jumlah operasi baca/tulis/hapus tertinggi pada bulan tertentu, yang juga memiliki peluang lebih tinggi menyebabkan kesalahan yang tidak dapat diperbaiki, yaitu, kami tidak mempertimbangkan memperhitungkan jumlah total operasi baca/tulis/hapus.
Hasilnya, kami sampai pada kesimpulan bahwa kesalahan pelanggaran baca, kesalahan pelanggaran tulis, dan kesalahan penghapusan tidak lengkap bukanlah faktor utama berkembangnya kesalahan yang tidak dapat diperbaiki.
Terima kasih untuk tetap bersama kami. Apakah Anda menyukai artikel kami? Ingin melihat konten yang lebih menarik? Dukung kami dengan melakukan pemesanan atau merekomendasikan kepada teman, Diskon 30% untuk pengguna Habr pada analog unik dari server level awal, yang kami ciptakan untuk Anda: (tersedia dengan RAID1 dan RAID10, hingga 24 core dan hingga 40GB DDR4).
Dell R730xd 2 kali lebih murah? Hanya disini di Belanda! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - mulai $99! Membaca tentang
Sumber: www.habr.com