फ्लॅश मेमरी विश्वसनीयता: अपेक्षित आणि अनपेक्षित. भाग 2. USENIX असोसिएशनची XIV परिषद. फाइल स्टोरेज तंत्रज्ञान

फ्लॅश मेमरी विश्वसनीयता: अपेक्षित आणि अनपेक्षित. भाग 1. USENIX असोसिएशनची XIV परिषद. फाइल स्टोरेज तंत्रज्ञान

४.२.२. RBER आणि डिस्क वय (PE सायकल वगळून).

आकृती 1 RBER आणि वय यांच्यातील महत्त्वपूर्ण सहसंबंध दर्शविते, जी डिस्क फील्डमध्ये किती महिने आहे. तथापि, हा एक बनावट सहसंबंध असू शकतो कारण जुन्या ड्राईव्हमध्ये अधिक पीई असण्याची शक्यता आहे आणि म्हणूनच आरबीईआर पीई सायकलशी अधिक संबंधित आहे.

पीई सायकलमुळे होणाऱ्या पोशाखावरील वयाचा प्रभाव दूर करण्यासाठी, आम्ही कंटेनरमधील कटऑफ म्हणून पीई सायकल वितरणाच्या डेसीलचा वापर करून सर्व महिन्यांच्या सेवेचे कंटेनरमध्ये गटबद्ध केले, उदाहरणार्थ, पहिल्या कंटेनरमध्ये डिस्क लाइफचे सर्व महिने असतात. PE सायकल वितरणाचा पहिला decile, आणि पुढे. आम्ही हे सत्यापित केले की प्रत्येक कंटेनरमध्ये PE सायकल आणि RBER मधील सहसंबंध खूपच लहान आहे (कारण प्रत्येक कंटेनरमध्ये फक्त PE सायकलची लहान श्रेणी समाविष्ट आहे), आणि नंतर प्रत्येक कंटेनरसाठी स्वतंत्रपणे RBER आणि डिस्क वय यांच्यातील सहसंबंध गुणांक मोजला.

आम्ही हे विश्लेषण प्रत्येक मॉडेलसाठी स्वतंत्रपणे केले कारण कोणतेही निरीक्षण केलेले सहसंबंध हे तरुण आणि जुन्या मॉडेलमधील फरकांमुळे नसून केवळ त्याच मॉडेलच्या ड्राइव्हच्या वयामुळे आहेत. आम्ही असे निरीक्षण केले की वर वर्णन केलेल्या रीतीने पीई सायकलचा प्रभाव मर्यादित केल्यानंतरही, सर्व ड्राइव्ह मॉडेल्ससाठी, फील्डमध्ये किती महिने ड्राईव्ह होते आणि त्याचे RBER (सहसंबंध गुणांक 0,2 ते 0,4 पर्यंत होते) यांच्यात अजूनही महत्त्वपूर्ण संबंध आहे. ).

तांदूळ. 3. आरबीईआर आणि नवीन आणि जुन्या डिस्क्ससाठी पीई सायकलची संख्या यांच्यातील संबंध हे दर्शविते की डिस्कचे वय परिधान झाल्यामुळे पीई सायकलची पर्वा न करता आरबीईआर मूल्यावर परिणाम करते.

आम्ही 1 वर्षापर्यंतच्या “तरुण” वयात ड्राईव्हच्या वापराचे दिवस आणि 4 वर्षांपेक्षा जास्त वयाच्या ड्राइव्हच्या वापराचे दिवस विभाजित करून ड्राईव्हच्या वयाच्या प्रभावाची ग्राफिकली कल्पना केली आणि नंतर प्रत्येकाचा आरबीईआर प्लॉट केला. PE चक्रांच्या संख्येच्या विरुद्ध गट. आकृती 3 हे परिणाम MLC-D ड्राइव्ह मॉडेलसाठी दाखवते. आम्ही सर्व पीई चक्रांमध्ये जुन्या आणि नवीन डिस्कच्या गटांमधील RBER मूल्यांमध्ये लक्षणीय फरक पाहतो.

यावरून आम्ही असा निष्कर्ष काढतो की, फील्डमध्ये डिस्कच्या वापराच्या दिवसांनुसार मोजले जाणारे वय, पीई सायकलच्या प्रदर्शनामुळे मेमरी सेल वेअरपासून स्वतंत्रपणे RBER वर लक्षणीय परिणाम करते. याचा अर्थ असा की इतर घटक, जसे की सिलिकॉन वृद्धत्व, डिस्कच्या भौतिक पोशाखात मोठी भूमिका बजावते.

४.२.३. RBER आणि कामाचा ताण.

बिट त्रुटी चार पैकी एका यंत्रणेमुळे झाल्या आहेत असे मानले जाते:

1. स्टोरेज एरर रिटेन्शन एरर, जेव्हा मेमरी सेल कालांतराने डेटा गमावतो
   रीड डिस्टर्ब एरर, ज्यामध्ये रीड ऑपरेशन जवळच्या सेलच्या सामग्रीस नुकसान करते;
2. डिस्टर्ब एरर लिहा, ज्यामध्ये रीड ऑपरेशन शेजारच्या सेलच्या सामग्रीस नुकसान करते;
3. अपूर्ण पुसून टाकण्याच्या त्रुटी, जेव्हा मिटवा ऑपरेशन सेलमधील सामग्री पूर्णपणे हटवत नाही.

शेवटच्या तीन प्रकारच्या त्रुटी (रिड डिस्टर्ब, राईट डिस्टर्ब, अपूर्ण पुसून टाकणे) वर्कलोडशी संबंधित आहेत, त्यामुळे RBER आणि वर्कलोड यांच्यातील परस्परसंबंध समजून घेतल्याने आम्हाला वेगवेगळ्या त्रुटी यंत्रणांचा व्याप्ती समजण्यास मदत होते. अलीकडील अभ्यासात, "क्षेत्रातील फ्लॅश मेमरी अपयशाचा मोठ्या प्रमाणावर अभ्यास" (MEZA, J., WU, Q., KUMAR, S., MUTLU, O. "फ्लॅश मेमरी अपयशाचा मोठ्या प्रमाणात अभ्यास क्षेत्र." अगदी किरकोळ आहेत.

आकृती 1 डिस्क लाइफच्या दिलेल्या महिन्यात RBER मूल्य आणि त्याच महिन्यात काही मॉडेल्ससाठी वाचन, लिहिणे आणि पुसून टाकणे यांच्यातील महत्त्वपूर्ण संबंध दर्शविते (उदाहरणार्थ, सहसंबंध गुणांक MLC साठी 0,2 पेक्षा जास्त आहे - B मॉडेल आणि SLC-B साठी 0,6 पेक्षा जास्त). तथापि, हे एक बनावट सहसंबंध असण्याची शक्यता आहे, कारण मासिक वर्कलोड पीई सायकलच्या एकूण संख्येशी संबंधित असू शकतो.

आम्ही मागील PE चक्रांवर आधारित ड्राइव्ह ऑपरेशनचे महिने वेगळे करून, आणि नंतर प्रत्येक कंटेनरसाठी स्वतंत्रपणे सहसंबंध गुणांक निर्धारित करून PE सायकलच्या प्रभावापासून वर्कलोडचे परिणाम वेगळे करण्यासाठी कलम 4.2.2 मध्ये वर्णन केलेली समान पद्धत वापरली.

आम्ही पाहिले की डिस्क लाइफच्या दिलेल्या महिन्यात वाचनाची संख्या आणि त्या महिन्यातील RBER मूल्य यांच्यातील परस्परसंबंध एमएलसी-बी आणि एसएलसी-बी मॉडेल्ससाठी कायम आहे, पीई सायकल मर्यादित असतानाही. आम्ही समान विश्लेषणाची पुनरावृत्ती देखील केली जिथे आम्ही समवर्ती लेखन आणि मिटवण्याच्या संख्येवर वाचनांचा प्रभाव वगळला आणि निष्कर्ष काढला की RBER आणि वाचनाची संख्या यांच्यातील परस्परसंबंध SLC-B मॉडेलसाठी सत्य आहे.

आकृती 1 RBER आणि लेखन आणि पुसून टाकण्याच्या ऑपरेशन्समधील परस्परसंबंध देखील दर्शविते, म्हणून आम्ही वाचन, लिहा आणि मिटवा ऑपरेशन्ससाठी समान विश्लेषणाची पुनरावृत्ती केली. आम्ही असा निष्कर्ष काढतो की PE सायकल आणि रीड्सचा प्रभाव मर्यादित करून, RBER मूल्य आणि लिहिणे आणि पुसून टाकण्याची संख्या यांच्यात कोणताही संबंध नाही.

अशा प्रकारे, डिस्क मॉडेल्स आहेत जेथे वाचन उल्लंघन त्रुटींचा RBER वर महत्त्वपूर्ण प्रभाव पडतो. दुसरीकडे, लेखन उल्लंघन त्रुटी आणि अपूर्ण पुसून टाकण्याच्या त्रुटींमुळे RBER प्रभावित झाल्याचा कोणताही पुरावा नाही.

4.2.4 RBER आणि लिथोग्राफी.

ऑब्जेक्टच्या आकारातील फरक अंशतः समान तंत्रज्ञानाचा वापर करून ड्राइव्ह मॉडेल्समधील RBER मूल्यांमधील फरक स्पष्ट करू शकतात, म्हणजे MLC किंवा SLC. (या अभ्यासात समाविष्ट असलेल्या विविध मॉडेल्सच्या लिथोग्राफीच्या विहंगावलोकनसाठी तक्ता 1 पहा).

उदाहरणार्थ, 2nm लिथोग्राफीसह 34 SLC मॉडेल्स (मॉडेल SLC-A आणि SLC-D) मध्ये RBER आहे जो 2nm मायक्रोइलेक्ट्रॉनिक लिथोग्राफी (मॉडेल SLC-B आणि SLC-C) असलेल्या 50 मॉडेलपेक्षा जास्त आहे. MLC मॉडेल्सच्या बाबतीत, फक्त 43nm मॉडेल (MLC-B) मध्ये मध्यक RBER आहे जो 50nm लिथोग्राफीसह इतर 3 मॉडेल्सपेक्षा 50% जास्त आहे. शिवाय, आकृती 4 मध्ये दर्शविल्याप्रमाणे, RBER मधील हा फरक 2 च्या घटकाने वाढतो, जसे की ड्राइव्ह XNUMX मध्ये दाखवल्याप्रमाणे. शेवटी, पातळ लिथोग्राफी MLC ड्राइव्हच्या तुलनेत eMLC ड्राइव्हच्या उच्च RBER चे स्पष्टीकरण देऊ शकते. एकंदरीत, आमच्याकडे स्पष्ट पुरावे आहेत की लिथोग्राफी RBER ला प्रभावित करते.

४.२.५. इतर त्रुटींची उपस्थिती.

आम्ही RBER आणि इतर प्रकारच्या त्रुटींमधील संबंध तपासले, जसे की दुरुस्त न करता येण्याजोग्या चुका, कालबाह्य चुका इ., विशेषतः, इतर प्रकारच्या त्रुटींच्या संपर्कात आल्यानंतर एक महिन्यानंतर RBER मूल्य जास्त होते का.

आकृती 1 दर्शविते की मागील महिन्याचे RBER भविष्यातील RBER मूल्यांचे (सहसंबंध गुणांक 0,8 पेक्षा जास्त) बद्दल भाकीत करत असताना, न सुधारता येण्याजोग्या त्रुटी आणि RBER (आकृती 1 मधील आयटमचा सर्वात उजवा गट) यांच्यात कोणताही महत्त्वपूर्ण संबंध नाही. इतर प्रकारच्या त्रुटींसाठी, सहसंबंध गुणांक आणखी कमी आहे (आकृतीमध्ये दर्शविला नाही). आम्ही या पेपरच्या कलम 5.2 मध्ये RBER आणि न सुधारता येण्याजोग्या चुका यांच्यातील संबंध शोधले.

४.२.६. इतर घटकांचा प्रभाव.

आम्हाला पुरावे आढळले आहेत की असे काही घटक आहेत ज्यांचा RBER वर लक्षणीय प्रभाव पडतो ज्याचा आमचा डेटा असू शकत नाही. विशेषतः, आमच्या लक्षात आले की दिलेल्या डिस्क मॉडेलसाठी RBER डिस्क ज्या क्लस्टरमध्ये तैनात केली आहे त्यानुसार बदलते. एक चांगले उदाहरण आकृती 4 आहे, जे तीन वेगवेगळ्या क्लस्टर्समध्ये (डॅश केलेल्या रेषा) MLC-D ड्राइव्हसाठी PE सायकलचे कार्य म्हणून RBER दाखवते आणि एकूण ड्राइव्हच्या (सॉलिड लाइन) या मॉडेलसाठी RBER शी तुलना करते. डिस्कचे वय किंवा वाचनाची संख्या यासारख्या घटकांचा प्रभाव मर्यादित असतानाही हे फरक कायम राहतात असे आम्हाला आढळते.

याचे एक संभाव्य स्पष्टीकरण म्हणजे क्लस्टर्समधील वर्कलोड प्रकारातील फरक, कारण आम्ही निरीक्षण करतो की ज्या क्लस्टर्समध्ये वर्कलोड्सचे वाचन/लेखन गुणोत्तर सर्वाधिक आहे त्यांचे RBER सर्वाधिक आहे.

तांदूळ. 4 अ), ब). तीन वेगवेगळ्या क्लस्टर्ससाठी PE सायकलचे कार्य म्हणून मध्यवर्ती RBER मूल्ये आणि तीन वेगवेगळ्या क्लस्टर्ससाठी PE सायकलच्या संख्येवर रीड/राईट रेशोचे अवलंबन.

उदाहरणार्थ, आकृती 4(b) MLC-D ड्राइव्ह मॉडेलसाठी वेगवेगळ्या क्लस्टर्सचे वाचन/लेखन गुणोत्तर दाखवते. तथापि, वाचन/लेखन गुणोत्तर सर्व मॉडेल्ससाठी क्लस्टरमधील फरक स्पष्ट करत नाही, त्यामुळे पर्यावरणीय घटक किंवा इतर बाह्य वर्कलोड पॅरामीटर्स यांसारखे इतर घटक देखील असू शकतात ज्यांचा आमच्या डेटाचा विचार होत नाही.

४.३. प्रवेगक टिकाऊपणा चाचणी दरम्यान RBER.

बहुतेक वैज्ञानिक कार्य, तसेच औद्योगिक स्तरावर मीडिया खरेदी करताना घेतलेल्या चाचण्या, प्रवेगक टिकाऊपणा चाचण्यांच्या परिणामांवर आधारित क्षेत्रातील उपकरणांच्या विश्वासार्हतेचा अंदाज लावतात. अशा चाचण्यांचे परिणाम सॉलिड-स्टेट स्टोरेज मीडिया चालवण्याच्या व्यावहारिक अनुभवाशी किती सुसंगत आहेत हे शोधण्याचा आम्ही निर्णय घेतला.
Google डेटा केंद्रांना पुरवल्या जाणाऱ्या उपकरणांसाठी सामान्य प्रवेगक चाचणी पद्धती वापरून केलेल्या चाचणी परिणामांच्या विश्लेषणात असे दिसून आले की फील्ड RBER मूल्ये अंदाजापेक्षा लक्षणीयरीत्या जास्त आहेत. उदाहरणार्थ, eMLC-a मॉडेलसाठी, फील्डमध्ये चालवल्या जाणाऱ्या डिस्कसाठी मध्यवर्ती RBER (चाचणीच्या शेवटी PE सायकलची संख्या 600 वर पोहोचली) 1e-05 होती, तर प्राथमिक प्रवेगक चाचणीच्या निकालांनुसार, हे RBER मूल्य 4000 पेक्षा जास्त PE चक्रांशी संबंधित असावे. हे सूचित करते की प्रयोगशाळेच्या चाचण्यांमधून मिळालेल्या RBER अंदाजांच्या आधारे क्षेत्रातील RBER मूल्याचा अचूक अंदाज लावणे खूप कठीण आहे.

आम्ही हे देखील लक्षात घेतले आहे की काही प्रकारच्या त्रुटी प्रवेगक चाचणी दरम्यान पुनरुत्पादित करणे खूप कठीण आहे. उदाहरणार्थ, MLC-B मॉडेलच्या बाबतीत, फील्डमधील जवळजवळ 60% ड्राईव्हमध्ये अयोग्य त्रुटी आढळतात आणि जवळजवळ 80% ड्राइव्हमध्ये खराब ब्लॉक्स विकसित होतात. तथापि, प्रवेगक सहनशक्ती चाचणी दरम्यान, ड्राइव्हस् पीई सायकल मर्यादेपेक्षा तिप्पट होईपर्यंत सहा उपकरणांपैकी कोणत्याही असुधारण्यायोग्य त्रुटी अनुभवल्या नाहीत. eMLC मॉडेल्ससाठी, फील्डमधील 80% पेक्षा जास्त ड्राईव्हमध्ये दुरुस्त न करता येण्याजोग्या त्रुटी आढळल्या, तर प्रवेगक चाचणी दरम्यान 15000 PE सायकलपर्यंत पोहोचल्यानंतर अशा त्रुटी आढळल्या.

आम्ही मागील संशोधन कार्यात नोंदवलेले RBER देखील पाहिले, जे नियंत्रित वातावरणातील प्रयोगांवर आधारित होते आणि मूल्यांची श्रेणी अत्यंत विस्तृत होती असा निष्कर्ष काढला. उदाहरणार्थ, एल.एम. Grupp आणि इतरांनी त्यांच्या 2009 -2012 च्या कार्यामध्ये PE सायकल मर्यादा गाठण्याच्या जवळ असलेल्या ड्राइव्हसाठी RBER मूल्यांचा अहवाल दिला. उदाहरणार्थ, आमच्या कामात (25-50nm) वापरल्या जाणाऱ्या लिथोग्राफी आकारांसह SLC आणि MLC उपकरणांसाठी, RBER मूल्य 1e-08 ते 1e-03 पर्यंत असते, बहुतेक ड्राइव्ह मॉडेल्सचे RBER मूल्य 1e- च्या जवळ असते. 06.

आमच्या अभ्यासात, पीई सायकल मर्यादेपर्यंत पोहोचलेल्या तीन ड्राईव्ह मॉडेल्समध्ये 3e-08 ते 8e-08 पर्यंतचे RBER होते. आमची संख्या कमी सीमा आहे आणि अगदी सर्वात वाईट परिस्थितीत 16 पट मोठी असू शकते हे लक्षात घेऊन किंवा RBER चे 95 व्या टक्केवारी लक्षात घेऊन, आमची मूल्ये अजूनही लक्षणीय कमी आहेत.

एकंदरीत, वास्तविक फील्ड RBER मूल्ये प्रवेगक टिकाऊपणा चाचणीवर आधारित अंदाजित मूल्यांपेक्षा जास्त आहेत, तरीही ते इतर संशोधन पेपरमध्ये नोंदवलेल्या आणि प्रयोगशाळेच्या चाचण्यांमधून मोजल्या गेलेल्या समान उपकरणांसाठी RBER पेक्षा कमी आहेत. याचा अर्थ असा की तुम्ही अंदाजित फील्ड RBER मूल्यांवर विसंबून राहू नये जे प्रवेगक टिकाऊपणा चाचणीतून प्राप्त झाले आहेत.

5. दुरुस्त न करता येणाऱ्या चुका.

दुरुस्त न करता येण्याजोग्या त्रुटी (UEs) च्या व्यापक घटना लक्षात घेता, ज्याची चर्चा या पेपरच्या कलम 3 मध्ये करण्यात आली होती, या विभागात आम्ही त्यांची वैशिष्ट्ये अधिक तपशीलवार शोधू. UE मोजण्यासाठी कोणते मेट्रिक वापरायचे, ते RBER शी कसे संबंधित आहे आणि UE विविध घटकांनी कसा प्रभावित होतो यावर चर्चा करून आम्ही सुरुवात करतो.

५.१. UBER गुणोत्तराला अर्थ का नाही.

दुरुस्त न करता येणाऱ्या त्रुटी दर्शविणारा मानक मेट्रिक म्हणजे UBER न दुरुस्त करता येण्याजोगा बिट एरर रेट, म्हणजेच, वाचलेल्या एकूण बिट्सच्या असुधारित बिट त्रुटींच्या संख्येचे गुणोत्तर.

हे मेट्रिक स्पष्टपणे असे गृहीत धरते की दुरुस्त न करता येणाऱ्या त्रुटींची संख्या वाचलेल्या बिट्सच्या संख्येशी कशीतरी जोडलेली आहे आणि म्हणून या संख्येद्वारे सामान्य करणे आवश्यक आहे.

हे गृहितक सुधारण्यायोग्य त्रुटींसाठी वैध आहे, जिथे दिलेल्या महिन्यात आढळलेल्या त्रुटींची संख्या त्याच कालावधीत वाचलेल्या संख्येशी (0.9 पेक्षा जास्त स्पीअरमॅन सहसंबंध गुणांक) उच्च सहसंबंधित असल्याचे आढळले आहे. अशा मजबूत सहसंबंधाचे कारण असे आहे की एक खराब बिट देखील, जोपर्यंत तो ECC वापरून दुरुस्त करता येण्याजोगा आहे, तोपर्यंत त्याच्याद्वारे प्रवेश केलेल्या प्रत्येक रीड ऑपरेशनसह त्रुटींची संख्या वाढत राहील, कारण खराब बिट असलेल्या सेलचे मूल्यांकन हे आहे. त्रुटी आढळल्यास त्वरित दुरुस्त केली जात नाही (डिस्क केवळ खराब झालेल्या बिट्ससह पृष्ठे पुन्हा लिहितात).

हेच गृहितक न सुधारता येणा-या त्रुटींवर लागू होत नाही. दुरुस्त न करता येणारी त्रुटी खराब झालेल्या ब्लॉकच्या पुढील वापरास प्रतिबंध करते, म्हणून एकदा शोधल्यानंतर, अशा ब्लॉकचा भविष्यात त्रुटींच्या संख्येवर परिणाम होणार नाही.

या गृहितकाची औपचारिक पुष्टी करण्यासाठी, आम्ही डिस्क लाइफच्या दिलेल्या महिन्यात वाचनाची संख्या आणि त्याच कालावधीत न सुधारता येणाऱ्या त्रुटींची संख्या यांच्यातील संबंध मोजण्यासाठी विविध मेट्रिक्स वापरल्या, ज्यामध्ये विविध सहसंबंध गुणांक (पीअरसन, स्पिअरमॅन, केंडल) समाविष्ट आहेत. , तसेच आलेखांची दृश्य तपासणी. दुरुस्त न करता येण्याजोग्या त्रुटींच्या संख्येच्या व्यतिरिक्त, आम्ही दुरुस्त न करता येण्याजोग्या त्रुटींच्या घटनांची वारंवारता (म्हणजेच, दिलेल्या कालावधीत डिस्कवर किमान एक अशी घटना घडण्याची संभाव्यता) आणि त्यांचे वाचन ऑपरेशन्समधील संबंध देखील पाहिले.
आम्हाला वाचनाची संख्या आणि दुरुस्त न करता येण्याजोग्या त्रुटींची संख्या यांच्यातील परस्परसंबंधाचा कोणताही पुरावा आढळला नाही. सर्व ड्राईव्ह मॉडेल्ससाठी, सहसंबंध गुणांक 0.02 च्या खाली होते, आणि रीड्सची संख्या वाढल्यामुळे आलेखांनी UE मध्ये कोणतीही वाढ दर्शविली नाही.

या पेपरच्या कलम 5.4 मध्ये, आम्ही चर्चा करतो की लिहा आणि पुसून टाका ऑपरेशन्सचा देखील दुरुस्त न करता येणाऱ्या त्रुटींशी कोणताही संबंध नाही, म्हणून UBER ची पर्यायी व्याख्या, जी रीड ऑपरेशन्सऐवजी राईट किंवा इरेज ऑपरेशन्सद्वारे सामान्य केली जाते, त्याला काही अर्थ नाही.

म्हणून आम्ही असा निष्कर्ष काढतो की UBER हे एक अर्थपूर्ण मेट्रिक नाही, कदाचित नियंत्रित वातावरणात चाचणी घेतल्याशिवाय जेथे प्रयोगकर्त्याद्वारे वाचनाची संख्या सेट केली जाते. फील्ड चाचणी दरम्यान UBER चा मेट्रिक म्हणून वापर केल्यास, ते उच्च वाचन संख्या असलेल्या ड्राइव्हसाठी कृत्रिमरित्या त्रुटी दर कमी करेल आणि कमी वाचन संख्या असलेल्या ड्राइव्हसाठी त्रुटी दर कृत्रिमरित्या वाढवेल, कारण रीडच्या संख्येकडे दुर्लक्ष करून दुरुस्त न करता येणाऱ्या त्रुटी उद्भवतात.

५.२. दुरुस्त न करता येणाऱ्या चुका आणि RBER.

RBER ची प्रासंगिकता या वस्तुस्थितीद्वारे स्पष्ट केली गेली आहे की ते ड्राईव्हची संपूर्ण विश्वासार्हता निश्चित करण्यासाठी एक उपाय म्हणून कार्य करते, विशेषत: असुधारित त्रुटींच्या संभाव्यतेवर आधारित. त्यांच्या कामात, 2008 मध्ये N. Mielke et al हे RBER चे कार्य म्हणून अपेक्षित असुधारणा त्रुटी दर परिभाषित करण्याचा प्रस्ताव देणारे पहिले होते. तेव्हापासून, बऱ्याच सिस्टम डेव्हलपर्सनी समान पद्धती वापरल्या आहेत, जसे की RBER आणि ECC प्रकाराचे कार्य म्हणून अपेक्षित असुधारणा त्रुटी दराचा अंदाज लावणे.

या विभागाचा उद्देश हा आहे की RBER न सुधारता येण्याजोग्या त्रुटींचा किती चांगला अंदाज लावतो. चला आकृती 5a सह प्रारंभ करूया, जे पहिल्या पिढीतील अनेक ड्राईव्ह मॉडेल्ससाठी मध्यवर्ती RBER प्लॉट करते ज्या दिवसांमध्ये ते वापरात होते त्या दिवसांच्या टक्केवारीच्या विरूद्ध UE त्रुटी अनुभवल्या. हे नोंद घ्यावे की आलेखामध्ये दर्शविलेल्या 16 मॉडेलपैकी काही विश्लेषणात्मक माहितीच्या अभावामुळे तक्ता 1 मध्ये समाविष्ट केलेले नाहीत.

तांदूळ. 5अ. मध्यक RBER आणि विविध ड्राइव्ह मॉडेल्ससाठी न सुधारता येण्याजोग्या त्रुटींमधील संबंध.

तांदूळ. 5 ब. समान मॉडेलच्या भिन्न ड्राइव्हसाठी मध्यवर्ती RBER आणि न सुधारता येण्याजोग्या त्रुटींमधील संबंध.

लक्षात ठेवा की एकाच पिढीतील सर्व मॉडेल्स समान ECC यंत्रणा वापरतात, त्यामुळे मॉडेलमधील फरक ECC फरकांपेक्षा स्वतंत्र असतात. आम्ही RBER आणि UE घटनांमध्ये कोणताही संबंध पाहिला नाही. आम्ही 95 व्या पर्सेंटाइल RBER विरुद्ध UE संभाव्यतेसाठी समान प्लॉट तयार केला आणि पुन्हा कोणताही परस्परसंबंध दिसला नाही.

पुढे, आम्ही वैयक्तिक डिस्क्सच्या ग्रॅन्युलॅरिटीवर विश्लेषणाची पुनरावृत्ती केली, म्हणजे, उच्च RBER मूल्य उच्च UE फ्रिक्वेंसीशी संबंधित असलेल्या डिस्क्स आहेत की नाही हे शोधण्याचा आम्ही प्रयत्न केला. उदाहरण म्हणून, आकृती 5b एमएलसी-सी मॉडेलच्या प्रत्येक ड्राईव्हसाठी UE च्या संख्येच्या (95 व्या पर्सेंटाइल RBER साठी मिळालेल्या परिणामांसारखे परिणाम) मध्यिक RBER प्लॉट करते. पुन्हा, आम्हाला RBER आणि UE मधील कोणताही संबंध दिसला नाही.

शेवटी, आम्ही अधिक अचूक वेळेचे विश्लेषण केले की उच्च RBER सह चालविण्याचे महिने ज्या महिन्यांत UE आले होते त्यांच्याशी सुसंगत आहेत की नाही. आकृती 1 ने आधीच सूचित केले आहे की दुरुस्त न करता येणाऱ्या त्रुटी आणि RBER मधील सहसंबंध गुणांक खूपच कमी आहे. आम्ही RBER चे कार्य म्हणून UE ची संभाव्यता प्लॉट करण्याच्या वेगवेगळ्या मार्गांनी देखील प्रयोग केले आणि परस्परसंबंधाचा कोणताही पुरावा आढळला नाही.

अशा प्रकारे, आम्ही असा निष्कर्ष काढतो की RBER UE ची भविष्यवाणी करण्यासाठी एक अविश्वसनीय मेट्रिक आहे. याचा अर्थ असा होऊ शकतो की RBER कडे नेणारी अपयश यंत्रणा दुरुस्त न करता येणाऱ्या त्रुटी (उदा., वैयक्तिक पेशींमध्ये असलेल्या त्रुटी विरुद्ध संपूर्ण डिव्हाइसमध्ये उद्भवणाऱ्या मोठ्या समस्या) यांसारख्या यंत्रणेपेक्षा भिन्न आहेत.

५.३. दुरुस्त न करता येणाऱ्या चुका आणि झीज.

थकवा ही फ्लॅश मेमरीच्या मुख्य समस्यांपैकी एक असल्याने, आकृती 6 पीई सायकलचे कार्य म्हणून न सुधारता येण्याजोग्या ड्राइव्ह त्रुटींची दैनिक संभाव्यता दर्शवते.

आकृती 6. पीई सायकलवर अवलंबून न सुधारता येणाऱ्या ड्राईव्ह त्रुटींची दैनिक संभाव्यता.

आम्ही लक्षात घेतो की ड्राईव्हच्या वयानुसार UE ची संभाव्यता सतत वाढते. तथापि, RBER प्रमाणे, वाढ सामान्यतः गृहीत धरल्यापेक्षा कमी आहे: आलेख दर्शवितात की UEs PE चक्रांबरोबर वेगाने वाढण्याऐवजी रेखीय वाढतात.

आम्ही RBER साठी काढलेले दोन निष्कर्ष UEs ला देखील लागू होतात: प्रथम, PE सायकल मर्यादा पूर्ण झाल्यावर त्रुटी संभाव्यतेमध्ये कोणतीही स्पष्ट वाढ होत नाही, जसे की MLC-D मॉडेलसाठी आकृती 6 मध्ये ज्याची PE सायकल मर्यादा 3000 आहे. दुसरे म्हणजे, दुसरे , एरर रेट वेगवेगळ्या मॉडेल्समध्ये बदलतो, अगदी त्याच वर्गातही. तथापि, हे फरक RBER प्रमाणे मोठे नाहीत.

शेवटी, विभाग 5.2 मधील आमच्या निष्कर्षांच्या समर्थनार्थ, आम्हाला आढळले की एका मॉडेल क्लासमध्ये (MLC वि. SLC), दिलेल्या संख्येच्या PE सायकलसाठी सर्वात कमी RBER मूल्ये असलेली मॉडेल्स सर्वात कमी असलेली मॉडेल्स असणे आवश्यक नाही. UE घटनेची संभाव्यता. उदाहरणार्थ, 3000 पेक्षा जास्त PE सायकल, MLC-D मॉडेल्समध्ये RBER मूल्य MLC-B मॉडेल्सपेक्षा 4 पट कमी होते, परंतु MLC-B पेक्षा MLC-D मॉडेल्ससाठी समान संख्येच्या PE सायकलसाठी UE संभाव्यता थोडी जास्त होती. मॉडेल

आकृती 7. विविध प्रकारच्या मागील त्रुटींच्या उपस्थितीचे कार्य म्हणून न सुधारता येण्याजोग्या ड्राइव्ह त्रुटींच्या घटनेची मासिक संभाव्यता.

५.४. दुरुस्त न करता येणारी त्रुटी आणि कामाचा ताण.

ज्या कारणांमुळे वर्कलोड RBER ला प्रभावित करू शकतो (विभाग 4.2.3 पहा), त्याचा UE वर देखील परिणाम होण्याची अपेक्षा केली जाऊ शकते. उदाहरणार्थ, वाचन उल्लंघन त्रुटी RBER वर परिणाम करतात असे आम्ही पाहिल्याने, वाचण्याच्या ऑपरेशनमुळे सुधारता न येण्याची शक्यता देखील वाढू शकते.

आम्ही UE वर वर्कलोडच्या प्रभावाचा तपशीलवार अभ्यास केला. तथापि, विभाग 5.1 मध्ये नमूद केल्याप्रमाणे, आम्हाला UE आणि वाचनाची संख्या यांच्यातील संबंध आढळला नाही. आम्ही लेखन आणि पुसून टाकण्याच्या ऑपरेशनसाठी समान विश्लेषणाची पुनरावृत्ती केली आणि पुन्हा कोणताही परस्परसंबंध दिसला नाही.
लक्षात घ्या की पहिल्या दृष्टीक्षेपात, हे आमच्या पूर्वीच्या निरीक्षणाचा विरोधाभास असल्याचे दिसते की सुधारता न येणाऱ्या त्रुटी पीई चक्रांशी संबंधित आहेत. म्हणून, लेखन आणि पुसून टाकण्याच्या क्रियांच्या संख्येशी परस्परसंबंध अपेक्षित आहे.

तथापि, पीई सायकलच्या प्रभावाच्या आमच्या विश्लेषणामध्ये, परिधानाचा परिणाम मोजण्यासाठी आम्ही दिलेल्या महिन्यातील न सुधारता येण्याजोग्या त्रुटींच्या संख्येची तुलना ड्राईव्हने आयुष्यभर अनुभवलेल्या पीई सायकलच्या एकूण संख्येशी केली. वर्कलोडच्या प्रभावाचा अभ्यास करताना, आम्ही ड्राईव्ह ऑपरेशनच्या महिन्यांकडे पाहिले ज्यामध्ये एका विशिष्ट महिन्यात वाचन/लिहा/मिटवण्याच्या ऑपरेशन्सची सर्वाधिक संख्या होती, ज्यामध्ये अयोग्य त्रुटी निर्माण होण्याची उच्च शक्यता होती, म्हणजे, आम्ही विचारात घेतले नाही. रीड/लिहा/मिटवा ऑपरेशन्सची एकूण संख्या.

परिणामी, आम्ही या निष्कर्षावर पोहोचलो की उल्लंघन त्रुटी वाचणे, उल्लंघन त्रुटी लिहिणे आणि अपूर्ण पुसून टाकणे त्रुटी सुधारता न येण्याजोग्या त्रुटींच्या विकासातील मुख्य घटक नाहीत.

आमच्यासोबत राहिल्याबद्दल धन्यवाद. तुम्हाला आमचे लेख आवडतात का? अधिक मनोरंजक सामग्री पाहू इच्छिता? ऑर्डर देऊन किंवा मित्रांना शिफारस करून आम्हाला समर्थन द्या, एंट्री-लेव्हल सर्व्हरच्या अनन्य अॅनालॉगवर Habr वापरकर्त्यांसाठी 30% सवलत, ज्याचा शोध आम्ही तुमच्यासाठी लावला आहे: VPS (KVM) E5-2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps बद्दल संपूर्ण सत्य $20 पासून किंवा सर्व्हर कसा शेअर करायचा? (RAID1 आणि RAID10 सह उपलब्ध, 24 कोर पर्यंत आणि 40GB DDR4 पर्यंत).

Dell R730xd 2 पट स्वस्त? फक्त इथेच 2 x इंटेल टेट्राडेका-कोर Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 टीव्ही $199 पासून नेदरलँड मध्ये! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 पासून! बद्दल वाचा इन्फ्रास्ट्रक्चर कॉर्पोरेशन कसे तयार करावे. डेल R730xd E5-2650 v4 सर्व्हरचा वापर करून 9000 युरो किमतीचा वर्ग?

स्त्रोत: www.habr.com