CN111078439A - 一种固态硬盘寿命预测方法和装置 - Google Patents
一种固态硬盘寿命预测方法和装置 Download PDFInfo
- Publication number
- CN111078439A CN111078439A CN201911053191.7A CN201911053191A CN111078439A CN 111078439 A CN111078439 A CN 111078439A CN 201911053191 A CN201911053191 A CN 201911053191A CN 111078439 A CN111078439 A CN 111078439A
- Authority
- CN
- China
- Prior art keywords
- training
- term
- data
- flash memory
- written
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000007787 solid Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000012886 linear function Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 206010011906 Death Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 208000037004 Myoclonic-astatic epilepsy Diseases 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000874 microwave-assisted extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/0614—Improving the reliability of storage systems
- G06F3/0617—Improving the reliability of storage systems in relation to availability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
- G06F3/0671—In-line storage system
- G06F3/0673—Single storage device
- G06F3/0679—Non-volatile semiconductor memory device, e.g. flash memory, one time programmable memory [OTP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供一种固态硬盘寿命预测方法，包括以下步骤：计算所述固态硬盘的闪存允许写入的最大数据量，并将SMART参数中的闪存实际写入数据量参数和其时间戳作为时间序列进行记录；在所述时间序列累计记录量达预定数量后，将数据分为训练集和测试集，并将所述训练集数据代入训练模型进行训练；根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型；由所述最优训练模型预测得到写入数据量达到所述闪存允许写入的该最大数据量的时间节点，计算所述时间节点与当前日期的差值。使用AI建模的方法预测SSD寿命，保障了预测的准确性。
Description
技术领域
本发明涉及计算机领域，并且更具体地，涉及一种固态硬盘寿命预测方法和装置。
背景技术
固态硬盘(Solid State Drive，SSD)的闪存芯片有寿命限制，即芯片的擦写次数(P/E Cycle)。举例来说，浪潮自研SSD所使用的东芝bics3系列闪存芯片所允许的擦写次数为10000次。当擦写次数超过10000次后，SSD的寿命超出厂商的质保期限，SSD的可靠性和性能均得不到保障。换个说法就是，SSD所允许写入的数据总量是有限的，额定写入最大数据量＝额定最大擦写次数×物理容量。
SMART全称为“Self-Monitoring Analysis and Reporting Technology”，即“自我监测、分析及报告技术”，是一种自动的硬盘状态检测与预警系统和规范。其中smart ID251NAND_Writes表示实际写入闪存芯片的数据量。SMART指标中也记录了SSD的磨损度。磨损度为SSD已发生擦写次数/额定擦写次数。
现有SSD寿命预测技术非常简单，所得到的SSD寿命预测结果不精确。当前SSD厂商比如Intel、HP、HPE在计算SSD寿命时，都是基于一段时间内的磨损度变化(smart_233表示的百分比值)求平均值。具体原理为：
现有技术存在的问题有：计算方法简单粗暴，只有在用户负载不变的情况下，计算才比较准确，但是用户负载正常情况下无时无刻不在发生改变；使用磨损度作为参数。磨损度为0-100％的整数磨损百分比，几十天才会发生1％的变化，因此计算得到的剩余寿命误差比较大。
发明内容
鉴于此，本发明实施例的目的在于提出一种固态硬盘寿命预测方法和装置，使用Prophet模型依据SSD smart_251 NAND_Writes闪存实际写入数据量随时间的变化序列来估算SSD寿命。
基于上述目的，本发明实施例的一方面提供了一种固态硬盘寿命预测方法，包括以下步骤：
计算所述固态硬盘的闪存允许写入的最大数据量，并将SMART参数中的闪存实际写入数据量参数和其时间戳作为时间序列进行记录；
在所述时间序列累计记录量达预定数量后，将数据分为训练集和测试集，并将所述训练集数据代入训练模型进行训练；
根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型；
由所述最优训练模型预测得到写入数据量达到所述闪存允许写入的该最大数据量的时间节点，计算所述时间节点与当前日期的差值。
在一些实施方式中，所述固态硬盘的闪存允许写入的最大数据量表示为所述闪存的额定擦写次数乘以所述固态硬盘的物理容量。
在一些实施方式中，所述训练模型为Prophet模型，使用所述Prophet模型把写入的时间序列分成4个部分，分别是趋势项、周期项、节假日项以及误差项。
在一些实施方式中，根据所述训练集的闪存实际写入数据量的数据特征选择所述Prophet模型的所述趋势项使用分段线性函数还是逻辑回归函数。
在一些实施方式中，在所述闪存实际写入数据量呈现饱和增长趋势时使用所述逻辑回归函数，否则使用所述线性回归函数。
在一些实施方式中，所述训练参数包括所述趋势项的变点参数、所述周期项参数、所述节假日项参数，其中所述趋势项的变点参数包括变点个数、变点的分布区间以及变点的影响强度，所述周期项参数包括周期长度、乘法周期项还是加法周期项以及周期项强度，所述节假日项参数包括节假日日期、节假日项强度。
在一些实施方式中，根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型包括：
连续修改所述测试参数并根据所述测试集数据和当前所述训练参数预测结果，计算所述结果的平均绝对误差值，所述平均绝对误差值最小时的所述测试参数对应于所述最优训练模型。
本发明实施例的另一方面提供了一种固态硬盘寿命预测装置，包括：
至少一个处理器；和
存储器，所述存储器存储有处理器可运行的程序代码，所述程序代码在被处理器运行时实施以下步骤：
计算所述固态硬盘的闪存允许写入的最大数据量，并将SMART参数中的闪存实际写入数据量参数和其时间戳作为时间序列进行记录；
在所述时间序列累计记录量达预定数量后，将数据分为训练集和测试集，并将所述训练集数据代入训练模型进行训练；
根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型；
由所述最优训练模型预测得到写入数据量达到所述闪存允许写入的该最大数据量的时间节点，计算所述时间节点与当前日期的差值。
在一些实施方式中，所述固态硬盘的闪存允许写入的最大数据量表示为所述闪存的额定擦写次数乘以所述固态硬盘的物理容量。
在一些实施方式中，所述训练模型为Prophet模型，使用所述Prophet模型把写入的时间序列分成4个部分，分别是趋势项、周期项、节假日项以及误差项。
本发明具有以下有益技术效果：本发明实施例提供的一种固态硬盘寿命预测方法和装置采用人工智能模型Prophet预测SSD寿命，和现有的公式计算方法相比，能够捕捉用户写入量的趋势项、周期项、节假日效应等，大幅提高SSD寿命预测的准确性，能够提升用户体验，提高产品的竞争力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1是根据本发明的一种固态硬盘寿命预测方法的流程图；
图2是根据本发明实施例的固态硬盘寿命预测的流程图；
图3是根据本发明的一种固态硬盘寿命预测装置的硬件结构示意图。
具体实施方式
以下描述了本发明的实施例。然而，应该理解，所公开的实施例仅仅是示例，并且其他实施例可以采取各种替代形式。附图不一定按比例绘制；某些功能可能被夸大或最小化以显示特定部件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制性的，而仅仅是作为用于教导本领域技术人员以各种方式使用本发明的代表性基础。如本领域普通技术人员将理解的，参考任何一个附图所示出和描述的各种特征可以与一个或多个其他附图中所示的特征组合以产生没有明确示出或描述的实施例。所示特征的组合为典型应用提供了代表性实施例。然而，与本发明的教导相一致的特征的各种组合和修改对于某些特定应用或实施方式可能是期望的。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
基于上述目的，本发明的实施例一方面提出了一种固态硬盘寿命预测方法，如图1所示，包括以下步骤：
步骤S101：计算所述固态硬盘的闪存允许写入的最大数据量，并将SMART参数中的闪存实际写入数据量参数和其时间戳作为时间序列进行记录；
步骤S102：在所述时间序列累计记录量达预定数量后，将数据分为训练集和测试集，并将所述训练集数据代入训练模型进行训练；
步骤S103：根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型；
步骤S104：由所述最优训练模型预测得到写入数据量达到所述闪存允许写入的该最大数据量的时间节点，计算所述时间节点与当前日期的差值。
在一些实施例中，所述固态硬盘的闪存允许写入的最大数据量表示为所述闪存的额定擦写次数乘以所述固态硬盘的物理容量，即，NAND Flash芯片厂商定义了SSD的擦写次数PE，闪存芯片允许写入的数据总量＝额定擦写次数×SSD物理容量。
在一些实施例中，所述训练模型为Prophet模型，使用所述Prophet模型把写入的时间序列分成4个部分，分别是趋势项、周期项、节假日项以及误差项。时间序列预测Prophet模型的作用就是捕捉其变化的趋势性、周期性、特殊日期的变化等规律，并假设用户在未来依然会延续这些规律，基于历史数据的规律变化对未来进行预测。本发明采用的Prophet模型为当前较先进的时间序列预测算法。其本质上是时间序列的分解。模型的输入为时间序列的时间戳和相应的值，给定需要预测的时间序列的长度，Prophet将输出未来的时间序列预测。使用Prophet模型把SSD主机写入时间序列y(t)分成4个部分，分别是趋势项g(t)，周期项s(t)，节假日项h(t)，误差项εt。它们按如下公式组合：y(t)＝g(t)+s(t)+h(t)+εt。趋势项g(t)表示主机写入量整体变化趋势。Prophet定义了两种趋势项变化模型，一种是基于逻辑回归函数(logistic function)的饱和增长模型，另一个是基于分段线性函数(piecewise linear function)的分段线性模型。
在一些实施例中，根据所述训练集的闪存实际写入数据量的数据特征选择所述Prophet模型的所述趋势项使用分段线性函数还是逻辑回归函数。在进行SSD寿命预测时，根据用户负载变化选择合适的趋势项模型和参数。
在一些实施例中，在所述闪存实际写入数据量呈现饱和增长趋势时使用所述逻辑回归函数，否则使用所述线性回归函数。
在一些实施例中，所述训练参数包括所述趋势项的变点参数、所述周期项参数、所述节假日项参数，其中所述趋势项的变点参数包括变点个数、变点的分布区间以及变点的影响强度，所述周期项参数包括周期长度、乘法周期项还是加法周期项以及周期项强度，所述节假日项参数包括节假日日期、节假日项强度。
其中，周期项s(t)用于表达主机写入的周期性变化，周期为每周或者每年。周期项的实现使用了傅立叶级数来模拟。在训练SSD寿命预测模型可以调整周期项的傅里叶级数，还可以调整周期项为加法周期项或者乘法周期项。节假日项h(t)用于表达非规律性的节假日效应，节假日日期和节假日项的强度可依据用户主机写入量的变化调节。误差项εt用来反映未在模型中体现的异常变动。
在一些实施例中，根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型包括：连续修改所述测试参数并根据所述测试集数据和当前所述训练参数预测结果，计算所述结果的平均绝对误差值，所述平均绝对误差值最小时的所述测试参数对应于所述最优训练模型。
本发明采用SSD SMART参数中的smart_251NAND_Writes闪存实际写入数据量的时间序列作为模型的输入。NAND Writes表示SSD闪存芯片上实际写入的数据量，由于写放大的存在，该值大于用户主机写入的数据量。随着用户不同时间上负载大小、写模式的不同，该值会呈现不同的变化规律。本发明使用Prophet模型预测NAND Writtes值未来的变化，当该值等于或大于闪存芯片允许写入的数据总量时，则认为SSD寿命到达终点。SSD的剩余寿命即为预测寿命终止日期与当前日期的差值。
在根据本发明的一个实施例中，如图2所示，基于Prophet模型和NAND Writes的SSD寿命预测方法具体实施步骤为：计算闪存允许写入的最大数据量：闪存芯片的额定擦写次数×SSD物理容量；每天固定时间使用smartctl工具中的smartcl–a命令获得SSD盘SMART参数详细信息；将SMART参数中的smart_215NAND Writtes和时间戳作为时间序列单独记录；当时间序列累计记录量达到180天后，选取150天数据作为训练集，30天数据作为测试集，将训练集的数据代入prophet模型进行训练；依据训练集闪存写入量的数据特征选择趋势项使用分段线性函数还是逻辑回归函数，如果闪存写入量呈现饱和增长趋势，选择逻辑回归函数，否则使用线性回归函数；设定趋势项的变点参数，包括：变点个数、变点的分布区间以及变点的影响强度；设定周期项参数，包括周期长度(周/年)、周期项强度以及乘法周期项还是加法周期项；设定节假日项参数，包括节假日日期、节假日项的强度；模型训练，输出预测结果；根据测试数据集和当前参数下的预测结果，计算平均绝对误差MAE；修改训练参数，对比不同模型所得到的MAE，选取最优模型；由最优模型得到预测写入数据量达到的闪存所允许的最大写入量时间节点，计算该时间节点与当前日期的差值，即为SSD剩余寿命。
本发明实现了SSD的寿命预测，SSD的寿命预测具有较高的客户价值及企业价值。作为HDD的高性能替代方案，基于闪存的固态硬盘(SSD)自问世以来就得到广泛追捧。并且伴随着闪存技艺的改进和价格的下降，SSD迎来更广阔的市场和发展前景。但与此同时，闪存密度的增加也使得SSD可靠性降低。SSD的性能和出错率与SSD的寿命直接相关，越接近寿命尽头(End-of-Life)，SSD的性能越差，出错率越高。为了保证数据的准确性与安全性，需要对SSD在其寿命终结前进行替换。SSD寿命预测所带来的的客户价值有：1.直观了解SSD的剩余使用情况，寿命预测实现了SSD可靠性的时间量化表达。用户所见的SSD剩余寿命实际上是针对该用户的定制化计算结果。2.保障数据的安全性，用户可以结合SSD剩余寿命值和SSD上数据的价值，决策何时替换SSD或者进行数据备份，从而为数据的安全性提供保证。3.实现经济利益的最大化，SSD的价格昂贵，SSD寿命预测可以帮助用户最小化冗余配置，降低采购成本，又能避免备件不足和SSD突发故障带来的一系列经济损失，从而实现利益最大化。我们的SSD寿命预测所带来的企业价值有：1.提升用户体验，提高浪潮存储竞争力。本发明可以根据用户的负载，为用户提供定制化的SSD寿命预测结果，能够提升用户体验，提高浪潮存储的竞争力；2.首次提出使用AI建模的方法预测SSD寿命，保障预测的准确性，也将成为浪潮存储的一大亮点。
在技术上可行的情况下，以上针对不同实施例所列举的技术特征可以相互组合，或者改变、添加以及省略等等，从而形成本发明范围内的另外实施例。
从上述实施例可以看出，本发明实施例提供的一种固态硬盘寿命预测方法采用人工智能模型Prophet预测SSD寿命，和现有的公式计算方法相比，能够捕捉用户写入量的趋势项、周期项、节假日效应等，大幅提高SSD寿命预测的准确性，能够提升用户体验，提高产品的竞争力。
基于上述目的，本发明实施例的另一个方面，提出了一种固态硬盘寿命预测装置，包括：
至少一个处理器；和
存储器，所述存储器存储有处理器可运行的程序代码，所述程序代码在被处理器运行时实施以下步骤：
计算所述固态硬盘的闪存允许写入的最大数据量，并将SMART参数中的闪存实际写入数据量参数和其时间戳作为时间序列进行记录；
在所述时间序列累计记录量达预定数量后，将数据分为训练集和测试集，并将所述训练集数据代入训练模型进行训练；
根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型；
由所述最优训练模型预测得到写入数据量达到所述闪存允许写入的该最大数据量的时间节点，计算所述时间节点与当前日期的差值。
在一些实施例中，所述固态硬盘的闪存允许写入的最大数据量表示为所述闪存的额定擦写次数乘以所述固态硬盘的物理容量。
在一些实施例中，所述训练模型为Prophet模型，使用所述Prophet模型把写入的时间序列分成4个部分，分别是趋势项、周期项、节假日项以及误差项。
如图3所示，为本发明提供的固态硬盘寿命预测装置的一个实施例的硬件结构示意图。
以如图3所示的计算机设备为例，在该计算机设备中包括处理器301以及存储器302，并还可以包括：输入装置303和输出装置304。
处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的所述固态硬盘寿命预测方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的固态硬盘寿命预测方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据固态硬盘寿命预测方法所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置303可接收输入的数字或字符信息，以及产生与固态硬盘寿命预测方法的计算机设备的用户设置以及功能控制有关的键信号输入。输出装置304可包括显示屏等显示设备。
所述一个或者多个固态硬盘寿命预测方法对应的程序指令/模块存储在所述存储器302中，当被所述处理器301执行时，执行上述任意方法实施例中的固态硬盘寿命预测方法。
所述执行所述固态硬盘寿命预测方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。
此外，典型地，本发明实施例公开所述的装置、设备等可为各种电子终端设备，例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等，也可以是大型终端设备，如服务器等，因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外，根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本发明实施例公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外，应该明白的是，本文所述的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器、磁盘或光盘等。
上述实施例是实施方式的可能示例，并且仅仅为了清楚理解本发明的原理而提出。所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种固态硬盘寿命预测方法，其特征在于，包括以下步骤：
计算所述固态硬盘的闪存允许写入的最大数据量，并将SMART参数中的闪存实际写入数据量参数和其时间戳作为时间序列进行记录；
在所述时间序列累计记录量达预定数量后，将数据分为训练集和测试集，并将所述训练集数据代入训练模型进行训练；
根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型；
由所述最优训练模型预测得到写入数据量达到所述闪存允许写入的所述最大数据量的时间节点，计算所述时间节点与当前日期的差值。
2.根据权利要求1所述的方法，其特征在于，所述固态硬盘的闪存允许写入的最大数据量表示为所述闪存的额定擦写次数乘以所述固态硬盘的物理容量。
3.根据权利要求1所述的方法，其特征在于，所述训练模型为Prophet模型，使用所述Prophet模型把写入的时间序列分成4个部分，分别是趋势项、周期项、节假日项以及误差项。
4.根据权利要求3所述的方法，其特征在于，根据所述训练集的闪存实际写入数据量的数据特征选择所述Prophet模型的所述趋势项使用分段线性函数还是逻辑回归函数。
5.根据权利要求4所述的方法，其特征在于，在所述闪存实际写入数据量呈现饱和增长趋势时使用所述逻辑回归函数，否则使用所述线性回归函数。
6.根据权利要求5所述的方法，其特征在于，所述训练参数包括所述趋势项的变点参数、所述周期项参数、所述节假日项参数，其中所述趋势项的变点参数包括变点个数、变点的分布区间以及变点的影响强度，所述周期项参数包括周期长度、乘法周期项还是加法周期项以及周期项强度，所述节假日项参数包括节假日日期、节假日项强度。
7.根据权利要求1所述的方法，其特征在于，根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型包括：
连续修改所述测试参数并根据所述测试集数据和当前所述训练参数预测结果，计算所述结果的平均绝对误差值，所述平均绝对误差值最小时的所述测试参数对应于所述最优训练模型。
8.一种固态硬盘寿命预测装置，其特征在于，包括：
至少一个处理器；和
存储器，所述存储器存储有处理器可运行的程序代码，所述程序代码在被处理器运行时实施以下步骤：
计算所述固态硬盘的闪存允许写入的最大数据量，并将SMART参数中的闪存实际写入数据量参数和其时间戳作为时间序列进行记录；
在所述时间序列累计记录量达预定数量后，将数据分为训练集和测试集，并将所述训练集数据代入训练模型进行训练；
根据所述测试集数据和当前训练参数下的预测结果，计算平均绝对误差值，并根据所述平均绝对误差值修改所述训练参数，以获得最优训练模型；
由所述最优训练模型预测得到写入数据量达到所述闪存允许写入的所述最大数据量的时间节点，计算所述时间节点与当前日期的差值。
9.根据权利要求8所述的装置，其特征在于，所述固态硬盘的闪存允许写入的最大数据量表示为所述闪存的额定擦写次数乘以所述固态硬盘的物理容量。
10.根据权利要求8所述的装置，其特征在于，所述训练模型为Prophet模型，使用所述Prophet模型把写入的时间序列分成4个部分，分别是趋势项、周期项、节假日项以及误差项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911053191.7A CN111078439A (zh) | 2019-10-31 | 2019-10-31 | 一种固态硬盘寿命预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911053191.7A CN111078439A (zh) | 2019-10-31 | 2019-10-31 | 一种固态硬盘寿命预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111078439A true CN111078439A (zh) | 2020-04-28 |
Family
ID=70310614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911053191.7A Pending CN111078439A (zh) | 2019-10-31 | 2019-10-31 | 一种固态硬盘寿命预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111078439A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111679789A (zh) * | 2020-05-22 | 2020-09-18 | 青岛海信传媒网络技术有限公司 | 一种写入控制方法及显示设备 |
| CN112000288A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | Ssd剩余使用时间预测方法、装置、设备、介质 |
| CN112002368A (zh) * | 2020-07-29 | 2020-11-27 | 北京浪潮数据技术有限公司 | 固态硬盘的磨损度数据模拟方法、系统及相关设备 |
| CN113851171A (zh) * | 2021-09-27 | 2021-12-28 | 苏州浪潮智能科技有限公司 | 一种ssd的pe次数范围确定方法及相关组件 |
| CN114118439A (zh) * | 2021-11-09 | 2022-03-01 | 北京得瑞领新科技有限公司 | 判决电平预测模型的训练数据生成方法、系统及存储介质 |
| CN114327241A (zh) * | 2020-09-29 | 2022-04-12 | 伊姆西Ip控股有限责任公司 | 管理磁盘的方法、电子设备和计算机程序产品 |
| CN115600770A (zh) * | 2022-12-09 | 2023-01-13 | 成都睿的欧科技有限公司（Cn） | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
| CN117037887A (zh) * | 2023-10-10 | 2023-11-10 | 苏州元脑智能科技有限公司 | 固态硬盘寿命预测方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109634527A (zh) * | 2018-12-12 | 2019-04-16 | 华中科技大学 | 一种ssd内实现的闪存寿命预测方法 |
-
2019
- 2019-10-31 CN CN201911053191.7A patent/CN111078439A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109634527A (zh) * | 2018-12-12 | 2019-04-16 | 华中科技大学 | 一种ssd内实现的闪存寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| QIANG LI等: "A Survey of SSD Lifecycle Prediction", 《IEEE》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111679789A (zh) * | 2020-05-22 | 2020-09-18 | 青岛海信传媒网络技术有限公司 | 一种写入控制方法及显示设备 |
| CN111679789B (zh) * | 2020-05-22 | 2024-05-14 | Vidaa(荷兰)国际控股有限公司 | 一种写入控制方法及显示设备 |
| CN112002368B (zh) * | 2020-07-29 | 2022-06-17 | 北京浪潮数据技术有限公司 | 固态硬盘的磨损度数据模拟方法、系统及相关设备 |
| CN112002368A (zh) * | 2020-07-29 | 2020-11-27 | 北京浪潮数据技术有限公司 | 固态硬盘的磨损度数据模拟方法、系统及相关设备 |
| CN112000288A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | Ssd剩余使用时间预测方法、装置、设备、介质 |
| CN114327241A (zh) * | 2020-09-29 | 2022-04-12 | 伊姆西Ip控股有限责任公司 | 管理磁盘的方法、电子设备和计算机程序产品 |
| CN113851171A (zh) * | 2021-09-27 | 2021-12-28 | 苏州浪潮智能科技有限公司 | 一种ssd的pe次数范围确定方法及相关组件 |
| CN113851171B (zh) * | 2021-09-27 | 2023-11-03 | 苏州浪潮智能科技有限公司 | 一种ssd的pe次数范围确定方法及相关组件 |
| CN114118439A (zh) * | 2021-11-09 | 2022-03-01 | 北京得瑞领新科技有限公司 | 判决电平预测模型的训练数据生成方法、系统及存储介质 |
| CN115600770A (zh) * | 2022-12-09 | 2023-01-13 | 成都睿的欧科技有限公司（Cn） | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
| CN115600770B (zh) * | 2022-12-09 | 2023-04-07 | 成都睿的欧科技有限公司 | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
| CN117037887A (zh) * | 2023-10-10 | 2023-11-10 | 苏州元脑智能科技有限公司 | 固态硬盘寿命预测方法及装置 |
| CN117037887B (zh) * | 2023-10-10 | 2024-01-23 | 苏州元脑智能科技有限公司 | 固态硬盘寿命预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111078439A (zh) | 一种固态硬盘寿命预测方法和装置 | |
| CN110990174A (zh) | 一种基于Prophet模型预测SSD可用时间的方法、设备及介质 | |
| CN106250064B (zh) | 固态硬盘控制装置和基于学习的固态硬盘数据存取方法 | |
| TWI420303B (zh) | 基於寫入頻率將資料寫至記憶體不同部份之方法、非暫態電腦可讀媒體與裝置 | |
| US20170131948A1 (en) | Visualization of usage impacts on solid state drive life acceleration | |
| US9116936B2 (en) | Inline learning-based selective deduplication for primary storage systems | |
| CN102918601B (zh) | 存储的单元/页/子页/块的损耗均衡 | |
| TWI474335B (zh) | 增加記憶體的複數區塊的生命週期的系統、方法及電腦程式產品 | |
| JP5814335B2 (ja) | 書込みの削減、及び不揮発性メモリの残り寿命の推定と表示 | |
| CN111078123B (zh) | 一种闪存块的磨损程度的评估方法及装置 | |
| CN111045603B (zh) | 一种固态硬盘的坏块替换方法和装置 | |
| CN112000497B (zh) | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 | |
| WO2016020760A2 (en) | Adaptive flash tuning | |
| US20190114559A1 (en) | Storage device failure policies | |
| US20110238891A1 (en) | Method for suppressing errors, and associated memory device and controller thereof | |
| US10657475B2 (en) | Cost effective data storage | |
| CN111475115A (zh) | 一种ssd闪存寿命预测的方法、装置、设备及可读介质 | |
| CN111176575A (zh) | 基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质 | |
| US11579961B2 (en) | Bit error rate based dynamic program step characteristic adjustment | |
| US9785374B2 (en) | Storage device management in computing systems | |
| CN109240615B (zh) | 一种固态硬盘的数据读取方法、装置及设备 | |
| US10650879B2 (en) | Device and method for controlling refresh cycles of non-volatile memories | |
| CN114385092B (zh) | 固态硬盘闪存阵列的擦除方法、固态硬盘主控芯片 | |
| CN111142796A (zh) | 一种ssd寿命预测方法、装置、设备及可读存储介质 | |
| CN114489498A (zh) | 一种NAND Flash介质剩余寿命预测的方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |
|
| RJ01 | Rejection of invention patent application after publication |