CN112000497B - 固态硬盘的寿命预测方法、装置及计算机可读存储介质 - Google Patents
固态硬盘的寿命预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112000497B CN112000497B CN202010843689.XA CN202010843689A CN112000497B CN 112000497 B CN112000497 B CN 112000497B CN 202010843689 A CN202010843689 A CN 202010843689A CN 112000497 B CN112000497 B CN 112000497B
- Authority
- CN
- China
- Prior art keywords
- solid state
- state disk
- user system
- tested
- historical time
- 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.)
- Active
Links
- 239000007787 solid Substances 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000009499 grossing Methods 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 53
- 230000002354 daily effect Effects 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003203 everyday effect Effects 0.000 claims description 13
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 5
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013403 standard screening design Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F3/0616—Improving the reliability of storage systems in relation to life time, e.g. increasing Mean Time Between Failures [MTBF]
-
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
- G06F3/0653—Monitoring storage devices or systems
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3034—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a storage system, e.g. DASD based or network based
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种固态硬盘的寿命预测方法、装置及计算机可读存储介质。其中,方法包括获取预设历史时间段内待测固态硬盘每天的用户系统写入量,生成用于表示待测固态硬盘在预设历史时间段内用户系统写入量每天变化情况的差分历史时间序列;将差分历史时间序列输入至预先训练好的指数平滑模型中,得到待测固态硬盘在预设未来时间段内用户系统写入量的每天变化量预测值;根据预测日前一天的实际用户系统写入量、每天变化量预测值和待测固态硬盘的写入数据总量对待测固态硬盘的寿命进行预测,对不同时间的写入变化值所赋予权重不同,使得预测值能够准确反映近期数据写入的变化情况,从而有效提高SSD寿命的预测精准度。
Description
技术领域
本申请涉及固态硬盘寿命检测技术领域,特别是涉及一种固态硬盘的寿命预测方法、装置及计算机可读存储介质。
背景技术
SSD(Solid-state disk,固态硬盘)为用固态电子存储芯片阵列而制成的硬盘,由控制单元和存储单元如FLASH芯片或DRAM芯片组成。由于SSD具有快速读写、质量轻、能耗低以及体积小的优势,取代传统HDD(Hard Disk Drive,机械硬盘)而被广泛应用于军事、车载、工控、视频监控、网络监控、网络终端、电力、医疗、航空、导航设备等诸多领域。
作为HDD的高性能替代方案,基于闪存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,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,也就是说,SSD是有寿命限制,SSD寿命的预测对SSD性能至关重要。
可以理解的是,SSD的寿命可以用磨损度或TBW(Total Bytes Written,写入数据总量)来表示。具体来说,SSD的P/E Cycle(Program/Erase Cycle,编程和擦写循环)次数为一个定值,数据写入会引发SSD擦写次数的增加,即产生SSD磨损,当用户写入的数据量足够大或SSD发生100%的磨损时,则认为该SSD不再可靠,寿命到达尽头。根据JEDEC标准,出厂时SSD厂商会设定额定TBW,表示在典型场景下,用户可写入SSD的数据总量。
相关技术例如Intel、HPE等SSD厂商均采用固定寿命计算公式预测SSD寿命,固定寿命计算公式可表示为:
由固定寿命计算公式可以看出,相关技术在预测SSD寿命时将过去数据一个不漏地全部加以同等利用,也即是将往期每日变化量同等看待,而在实际SSD使用中,用户未来写入量大概率上会与近期相似,所以将所有历史数据同等利用并无法准确预测得到SSD寿命。
鉴于此,如何提高SSD寿命预测精准度,是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种固态硬盘的寿命预测方法、装置及计算机可读存储介质,有效提高了SSD寿命的预测精准度。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种固态硬盘的寿命预测方法,包括:
获取预设历史时间段内待测固态硬盘每天的用户系统写入量,以生成用于表示所述待测固态硬盘的用户系统写入量在所述预设历史时间段内每天的变化情况的差分历史时间序列;
将所述差分历史时间序列输入至预先训练好的指数平滑模型中,得到所述待测固态硬盘的用户系统写入量在预设未来时间段内每天的变化量预测值;
根据预测日前一天的实际用户系统写入量、所述变化量预测值和所述待测固态硬盘的写入数据总量对所述待测固态硬盘的寿命进行预测。
可选的,所述生成用于表示所述待测固态硬盘的用户系统写入量在所述预设历史时间段内每天的变化情况的差分历史时间序列包括:
在所述预设历史时间段内,判断所述待测固态硬盘是否每一天都有用户系统写入量信息;
若是,则计算所述待测固态硬盘的用户系统写入量序列每隔1天的差分值,生成一阶差分历史时间序列;
若否,则利用插值法对用户系统写入量空项进行填充,并基于填充后的用户系统写入量序列进行每隔1天的差分计算,生成一阶差分历史时间序列。
可选的,所述获取预设时间段内待测固态硬盘每天的用户系统写入量包括:
在所述预设历史时间段内,调用smartctl工具中的smartct-a命令于每天固定时间从自我监测、分析及报告技术软件中获得所述待测固态硬盘的S.M.A.R.T.参数详细信息;
从所述S.M.A.R.T.参数详细信息中获取smart ID 241指标参数值,作为所述待测固态硬盘当天的用户系统写入量。
可选的,所述将所述差分历史时间序列输入至预设训练好的指数平滑模型中之前,还包括:
将所述差分历史时间序列输入至所述指数平滑模型进行模型训练,通过最大似然估计拟合得到所述指数平滑模型的平滑系数值。
可选的,所述根据预测日前一天的实际用户系统写入量、所述变化量预测值和所述待测固态硬盘的写入数据总量对所述待测固态硬盘的寿命进行预测包括:
获取所述预测日前一天用户系统写入量的真实值,以作为实际用户系统写入量;
在所述实际用户系统写入量基础上不断累加所述变化量预测值,得到所述预设未来时间段内每一天用户系统写入量的预测值;
根据所述预设未来时间段内每一天用户系统写入量的预测值和所述待测固态硬盘的写入数据总量计算所述待测固态硬盘的寿命剩余天数。
可选的,所述指数平滑模型为y't+1=ayt+(1-a)y't;
式中,y't+1为所述待测固态硬盘在第t+1天的用户系统写入量的预测值,a为平滑系数,yt为所述待测固态硬盘在第t天的实际用户系统写入量,y't为所述待测固态硬盘在第t天的用户系统写入量的预测值。
本发明实施例另一方面提供了一种固态硬盘的寿命预测装置,包括:
信息获取模块,用于获取预设历史时间段内待测固态硬盘每天的用户系统写入量,以生成用于表示所述待测固态硬盘的用户系统写入量在所述预设历史时间段内每天的变化情况的差分历史时间序列;
每天变化量预测模块,用于将所述差分历史时间序列输入至预先训练好的指数平滑模型中,得到所述待测固态硬盘的用户系统写入量在预设未来时间段内每天的变化量预测值;
寿命预测模块,用于根据预测日前一天的实际用户系统写入量、所述变化量预测值和所述待测固态硬盘的写入数据总量对所述待测固态硬盘的寿命进行预测。
可选的,还包括模型系数计算模块,所述模型系数计算模块用于将所述差分历史时间序列输入至所述指数平滑模型进行模型训练,通过最大似然估计拟合得到所述指数平滑模型的平滑系数值。
本发明实施例还提供了一种固态硬盘的寿命预测装置,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述固态硬盘的寿命预测方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有固态硬盘的寿命预测程序,所述固态硬盘的寿命预测程序被处理器执行时实现如前任一项所述固态硬盘的寿命预测方法的步骤。
本申请提供的技术方案的优点在于,基于固态硬盘用户写入数据量的每日历史差分数据调用指数平滑模型预测得到该固态硬盘未来时间段内的用户写入数据量的变化情况,最后累加预测差分变化还原为用户写入数据量,当还原的用户写入数据量达到厂商额定TBW时间即为寿命终结日期。利用指数平滑模型进一步加强了近期写入变化值对预测值的作用,对不同时间的写入变化值所赋予的权数不同,近期写入变化值的权重大,远期写入变化值的权重小,使预测值能够迅速反映近期写入变化,从而解决相关技术将往期每日变化量同等看待而与实际情况下用户未来写入量大概率上会与近期相似不符导致SSD预测准确度不高的问题,从而有效提高了SSD寿命的预测精准度,有利于用户可以更加直观、准确了解SSD的剩余使用情况,保障用户数据的安全性。此外,指数平滑模型对于赋予的权数有伸缩性,可以取不同的平滑系数值以改变权数的变化速率,预测值能迅速反映每日写入数据量的新近变化,适应各种用户使用情况,普适性更强。
此外,本发明实施例还针对固态硬盘的寿命预测方法提供了相应的实现装置及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置及计算机可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,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附图。
图1为本发明实施例提供的一种固态硬盘的寿命预测方法的流程示意图;
图2为本发明实施例提供的另一种固态硬盘的寿命预测方法的流程示意图;
图3为本发明实施例提供的固态硬盘的寿命预测装置的一种具体实施方式结构图;
图4为本发明实施例提供的固态硬盘的寿命预测装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种固态硬盘的寿命预测方法的流程示意图,本发明实施例可包括以下内容:
S101:获取预设历史时间段内待测固态硬盘每天的用户系统写入量,以生成用于表示待测固态硬盘的用户系统写入量在预设历史时间段内每天的变化情况的差分历史时间序列。
在本实施例中,预设历史时间段为待测固态硬盘过去的某段时间,所属领域技术人员可根据实际应用场景确定预设历史事件段的起始点,本申请对此不做任何限定。S101获取的是待测固态硬盘在预设历史时间段中每一天的用户系统写入量,可以理解的是,若在预设历史时间段中的某一天由于某些原因导致无法获取当天的用户系统写入量,也即该天的用户系统写入量为空项,可采用相邻数据下一天的用户系统写入量减去一个经验值代替还可采用插值法进行空项填充,本申请对此不做任何限定。在获取到预设历史时间段内每天待测固态硬盘的用户系统写入量后,基于时间戳和用户系统写入量值形成时间序列,时间序列中包含预设历史时间段内每一天待测固态硬盘的用户系统写入量的真实值。在得到时间序列后,可基于时间序列计算待测固态硬盘的用户系统写入量在预设历史时间段内每天的变化情况,例如可通过计算每隔一天的一阶差分值来计算得到差分历史时间序列,当然,也可采用其他数学方法计算得到差分历史时间序列,这均不影响本申请的实现。
S102:将差分历史时间序列输入至预先训练好的指数平滑模型中,得到待测固态硬盘的用户系统写入量在预设未来时间段内每天的变化量预测值。
本申请的指数平滑模型可采用现有技术中的任何一种指数平滑模型,指数平滑模型为基于指数平滑法的时间序列分析预测模型,其通过计算指数平滑值配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均,也即指数平滑模型可加强近期写入变化值对预测值的作用,对不同时间的写入变化值所赋予的权数不同,近期写入变化值的权重大,远期写入变化值的权重小,使预测值能够迅速反映近期写入变化。此外,指数平滑法对于赋予的权数有伸缩性,可以取不同的平滑系数值以改变权数的变化速率。如平滑系数值取小值,则权数变化较迅速,预测值能迅速反映每日写入数据量的新近变化。平滑系数值可为人为指定,也即所属领域技术人员可基于实际应用场景凭经验进行确定,也可通过拟合历史数据得到,这均不影响本申请的实现。
可以理解的是,固态硬盘的用户系统写入量实质为用户写入总量,为写入量的累加值,其是递增的数字,不适合作为指数平滑模型的输入,基于此,本申请基于用户系统写入量计算得到差分历史时间序列作为模型输入,从而可预测得到待测固态硬盘的用户系统写入量差分值的未来变化,得到未来一段时间的用户系统写入量每日变化量预测值。
S103:根据预测日前一天的实际用户系统写入量、每天变化量预测值和待测固态硬盘的写入数据总量对待测固态硬盘的寿命进行预测。
在本步骤中,预测日前一天的实际用户系统写入量为待测固态硬盘的真实用户系统写入量,预测日前一天即为预设未来时间段内起点的前一天,预设未来时间段的起点即为预测日。写入数据总量为待测固态硬盘出厂时规定的该待测固态硬盘允许写入的数据总量。在预测日前一天的实际用户系统写入量的基础上,可不断累加每天变化量预测值,从而还原用户系统写入量,当用户系统写入量达到厂商额定的写入数据总量的时间即为待测固态硬盘的寿命终结日期。寿命预测实现了SSD可靠性的时间量化表达,可以使用户可以直观了解SSD的剩余使用情况。每块SSD盘单独建模,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。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。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。
在本发明实施例提供的技术方案中,基于固态硬盘用户写入数据量的每日历史差分数据调用指数平滑模型预测得到该固态硬盘未来时间段内的用户写入数据量的变化情况,最后累加预测差分变化还原为用户写入数据量,当还原的用户写入数据量达到厂商额定TBW时间即为寿命终结日期。利用指数平滑模型进一步加强了近期写入变化值对预测值的作用,对不同时间的写入变化值所赋予的权数不等,近期写入变化值的权重大,远期写入变化值的权重小,使预测值能够迅速反映近期写入变化,从而解决相关技术将往期每日变化量同等看待而与实际情况下用户未来写入量大概率上会与近期相似不符导致SSD预测准确度不高的问题,从而有效提高了SSD寿命的预测精准度,有利于用户可以更加直观、准确了解SSD的剩余使用情况,保障用户数据的安全性。此外,指数平滑模型对于赋予的权数有伸缩性,可以取不同的平滑系数以改变权数的变化速率,预测值能迅速反映每日写入数据量的新近变化,适应各种用户使用情况,普适性更强。
作为一种可选的实施方式,上述实施例对所采用的指数平滑模型并没有进行限定,本实施例还给出了指数平滑模型的一种实施方式,指数平滑模型可表示为y't+1=ayt+(1-a)y't;
式中,y't+1为待测固态硬盘在第t+1天的用户系统写入量的预测值,a为平滑系数,yt为待测固态硬盘在第t天的实际用户系统写入量,y't为待测固态硬盘在第t天的用户系统写入量的预测值。
可将S101获取的预设历史时间段内真实用户系统写入量、预设历史时间段内用户系统写入量每天的变化量作为样本数据进行训练指数平滑模型,通过最大似然估计拟合得到指数平滑模型的平滑系数值a,然后将计算得到的平滑系数值a代入指数平滑模型中,作为训练好的指数平滑模型。
最后,本申请还提供了另外一种固态硬盘的寿命预测方法,请参阅图2,可包括下述内容:
S201:在预设历史时间段内,调用smartctl工具中的smartct-a命令于每天固定时间从自我监测、分析及报告技术软件中获得待测固态硬盘的S.M.A.R.T.参数详细信息,从S.M.A.R.T.参数详细信息中获取smart ID 241指标参数值,作为待测固态硬盘当天的用户系统写入量。
S.M.A.R.T.软件为固态硬盘自带的自我监测、分析及报告技术软件,该软件的smart ID 241指标参数即为用户系统写入量,可从该软件中获取待测固态硬盘在预设历史时间段内每天的用户系统写入量。此外,可将本申请技术方案应用在已有存储管理软件例如S.M.A.R.T.(Self-Monitoring Analysis and Reporting Technology,自我监测、分析及报告技术)中,可提高存储管理软件的智能化程度。
S202:在预设历史时间段内,判断待测固态硬盘是否每一天都有用户系统写入量信息,若是,则执行S203,若否,则执行S204。
S203:计算待测固态硬盘的用户系统写入量序列每隔1天的差分值,生成一阶差分历史时间序列。
S204:利用插值法对用户系统写入量空项进行填充,并基于填充后的用户系统写入量序列进行每隔1天的差分计算,生成一阶差分历史时间序列。
每天的用户系统写入量均具有一个时间戳,将预设历史时间段内每一天的时间戳作为时间戳列拓展为连续日期,采用插值法对用户系统写入量为空的这一项进行填充。
S205:将一阶差分历史时间序列输入至指数平滑模型进行模型训练,通过最大似然估计拟合得到指数平滑模型的平滑系数值。
S206:将差分历史事件时间序列输入至指数平滑模型中,得到待测固态硬盘的用户系统写入量在预设未来时间段内每天的变化量预测值。
利用指数平滑模型可预测用户系统写入量差分值的未来变化,得到未来一段时间的host Writes每日变化量预测值。
S207:在预测日前一天的实际用户系统写入量基础上不断累加每天变化量预测值,得到预设未来时间段内每一天用户系统写入量的预测值。
S208:根据预设未来时间段内每一天用户系统写入量的预测值和待测固态硬盘的写入数据总量计算待测固态硬盘的寿命剩余天数。
在本步骤中,可从S.M.A.R.T.参数详细信息中获取预测日前一天用户系统写入量的真实值,以作为预测日前一天的实际用户系统写入量。在预测日前一天的实际用户系统写入量基础上不断累加每天变化量预测值,得到预设未来时间段内每一天用户系统写入量的预测值;根据预设未来时间段内每一天用户系统写入量的预测值和待测固态硬盘的写入数据总量计算待测固态硬盘的寿命剩余天数。
由上可知,本发明实施例用户系统写入量近期变化权重高,远期变化权重低,更贴合实际场景,预测得到的固态硬盘寿命更加准确;自动优化模型参数,无需人工干预,进一步提高模型预测准确度和智能化程度。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1-图2只是一种示意方式,并不代表只能是这样的执行顺序。
本发明实施例还针对固态硬盘的寿命预测方法提供了相应的装置,进一步使得所述方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的固态硬盘的寿命预测装置进行介绍,下文描述的固态硬盘的寿命预测装置与上文描述的固态硬盘的寿命预测方法可相互对应参照。
基于功能模块的角度,参见图3,图3为本发明实施例提供的固态硬盘的寿命预测装置在一种具体实施方式下的结构图,该装置可包括:
信息获取模块301,用于获取预设历史时间段内待测固态硬盘每天的用户系统写入量,以生成用于表示待测固态硬盘的用户系统写入量在预设历史时间段内每天的变化情况的差分历史时间序列。
每天变化量预测模块302,用于将差分历史时间序列输入至预先训练好的指数平滑模型中,得到待测固态硬盘的用户系统写入量在预设未来时间段内每天的变化量预测值。
寿命预测模块303,用于根据预测日前一天的实际用户系统写入量、每天变化量预测值和待测固态硬盘的写入数据总量对待测固态硬盘的寿命进行预测。
可选的,在本实施例的一些实施方式中,所述装置例如还可以包括模型系数计算模块,所述模型系数计算模块可用于将差分历史时间序列输入至指数平滑模型进行模型训练,通过最大似然估计拟合得到指数平滑模型的平滑系数值。
在本发明实施例的另外一些实施方式中,所述寿命预测模块303可包括:
实际数据获取子模块,用于获取预测日前一天用户系统写入量的真实值,以作为实际用户系统写入量。
变化量预测子模块,用于在实际用户系统写入量基础上不断累加每天变化量预测值,得到预设未来时间段内每一天用户系统写入量的预测值。
寿命预测子模块,用于根据预设未来时间段内每一天用户系统写入量的预测值和待测固态硬盘的写入数据总量计算待测固态硬盘的寿命剩余天数。
可选的,在本实施例的另一些实施方式中,所述信息获取模块301还可以包括:
判断子模块,用于在预设历史时间段内,判断待测固态硬盘是否每一天都有用户系统写入量信息;
一阶差分时间序列生成模块,用于若待测固态硬盘每一天都有用户系统写入量信息,计算待测固态硬盘的用户系统写入量序列每隔1天的差分值,生成一阶差分历史时间序列;
数据补空子模块,用于利用插值法对用户系统写入量空项进行填充,并基于填充后的用户系统写入量序列进行每隔1天的差分计算,生成一阶差分历史时间序列。
在本实施例的其他一些实施方式中,所述信息获取模块301例如还可以包括:
S.M.A.R.T.参数获取子模块,用于在预设历史时间段内,调用smartctl工具中的smartct-a命令于每天固定时间从自我监测、分析及报告技术软件中获得待测固态硬盘的S.M.A.R.T.参数详细信息;
用户系统写入量获取子模块,用于从S.M.A.R.T.参数详细信息中获取smart ID241指标参数值,作为待测固态硬盘当天的用户系统写入量。
本发明实施例所述固态硬盘的寿命预测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效提高了SSD寿命的预测精准度,有利于用户可以更加直观、准确了解SSD的剩余使用情况,保障用户数据的安全性。
上文中提到的固态硬盘的寿命预测装置是从功能模块的角度描述,进一步的,本申请还提供一种固态硬盘的寿命预测装置,是从硬件角度描述。图4为本申请实施例提供的另一种固态硬盘的寿命预测装置的结构图。如图4所示,该装置包括存储器40,用于存储计算机程序;
处理器41,用于执行计算机程序时实现如上述任一实施例提到的固态硬盘的寿命预测方法的步骤。
其中,处理器41可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器41可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器41也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器41可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器41还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器40可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器40还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器40至少用于存储以下计算机程序401,其中,该计算机程序被处理器41加载并执行之后,能够实现前述任一实施例公开的固态硬盘的寿命预测方法的相关步骤。另外,存储器40所存储的资源还可以包括操作系统402和数据403等,存储方式可以是短暂存储或者永久存储。其中,操作系统402可以包括Windows、Unix、Linux等。数据403可以包括但不限于测试结果对应的数据等。
在一些实施例中,固态硬盘的寿命预测装置还可包括有显示屏42、输入输出接口43、通信接口44、电源45以及通信总线46。
本领域技术人员可以理解,图4中示出的结构并不构成对固态硬盘的寿命预测装置的限定,可以包括比图示更多或更少的组件,例如传感器47。
本发明实施例所述固态硬盘的寿命预测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效提高了SSD寿命的预测精准度,有利于用户可以更加直观、准确了解SSD的剩余使用情况,保障用户数据的安全性。
可以理解的是,如果上述实施例中的固态硬盘的寿命预测方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种计算机可读存储介质,存储有固态硬盘的寿命预测程序,所述固态硬盘的寿命预测程序被处理器执行时如上任意一实施例所述固态硬盘的寿命预测方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效提高了SSD寿命的预测精准度,有利于用户可以更加直观、准确了解SSD的剩余使用情况,保障用户数据的安全性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种固态硬盘的寿命预测方法、装置及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (9)
1.一种固态硬盘的寿命预测方法,其特征在于,包括:
获取预设历史时间段内待测固态硬盘每天的用户系统写入量,以生成用于表示所述待测固态硬盘的用户系统写入量在所述预设历史时间段内每天的变化情况的差分历史时间序列;
将所述差分历史时间序列输入至预先训练好的指数平滑模型中,得到所述待测固态硬盘的用户系统写入量在预设未来时间段内每天的变化量预测值;所述指数平滑模型为基于指数平滑法的时间序列分析预测模型,所述指数平滑法对于赋予的权重有伸缩性,取不同的平滑系数值以改变权重的变化速率,近期写入变化值的权重大,远期写入变化值的权重小;
获取预测日前一天用户系统写入量的真实值,以作为实际用户系统写入量;
在所述实际用户系统写入量基础上不断累加所述变化量预测值,得到所述预设未来时间段内每一天用户系统写入量的预测值;
根据所述预设未来时间段内每一天用户系统写入量的预测值和所述待测固态硬盘的写入数据总量计算所述待测固态硬盘的寿命剩余天数。
2.根据权利要求1所述的固态硬盘的寿命预测方法,其特征在于,所述生成用于表示所述待测固态硬盘的用户系统写入量在所述预设历史时间段内每天的变化情况的差分历史时间序列包括:
在所述预设历史时间段内,判断所述待测固态硬盘是否每一天都有用户系统写入量信息;
若是,则计算所述待测固态硬盘的用户系统写入量序列每隔1天的差分值,生成一阶差分历史时间序列;
若否,则利用插值法对用户系统写入量空项进行填充,并基于填充后的用户系统写入量序列进行每隔1天的差分计算,生成一阶差分历史时间序列。
3.根据权利要求2所述的固态硬盘的寿命预测方法,其特征在于,所述获取预设历史时间段内待测固态硬盘每天的用户系统写入量包括:
在所述预设历史时间段内,调用smartctl工具中的smartct-a命令于每天固定时间从自我监测、分析及报告技术软件中获得所述待测固态硬盘的S.M.A.R.T.参数详细信息;
从所述S.M.A.R.T.参数详细信息中获取smart ID 241指标参数值,作为所述待测固态硬盘当天的用户系统写入量。
4.根据权利要求1至3任意一项所述的固态硬盘的寿命预测方法,其特征在于,所述将所述差分历史时间序列输入至预先训练好的指数平滑模型中之前,还包括:
将所述差分历史时间序列输入至所述指数平滑模型进行模型训练,通过最大似然估计拟合得到所述指数平滑模型的平滑系数值。
5.根据权利要求1所述的固态硬盘的寿命预测方法,其特征在于,所述指数平滑模型为y' t+1=ay t +(1-a)y' t ;
式中,y' t+1为所述待测固态硬盘在第t+1天的用户系统写入量的预测值,a为平滑系数,y t 为所述待测固态硬盘在第t天的实际用户系统写入量,y t '为所述待测固态硬盘在第t天的用户系统写入量的预测值。
6.一种固态硬盘的寿命预测装置,其特征在于,包括:
信息获取模块,用于获取预设历史时间段内待测固态硬盘每天的用户系统写入量,以生成用于表示所述待测固态硬盘的用户系统写入量在所述预设历史时间段内每天的变化情况的差分历史时间序列;
每天变化量预测模块,用于将所述差分历史时间序列输入至预先训练好的指数平滑模型中,得到所述待测固态硬盘的用户系统写入量在预设未来时间段内每天的变化量预测值;所述指数平滑模型为基于指数平滑法的时间序列分析预测模型,所述指数平滑法对于赋予的权重有伸缩性,取不同的平滑系数值以改变权重的变化速率,近期写入变化值的权重大,远期写入变化值的权重小;
寿命预测模块,用于获取预测日前一天用户系统写入量的真实值,以作为实际用户系统写入量;在所述实际用户系统写入量基础上不断累加所述变化量预测值,得到所述预设未来时间段内每一天用户系统写入量的预测值;根据所述预设未来时间段内每一天用户系统写入量的预测值和所述待测固态硬盘的写入数据总量计算所述待测固态硬盘的寿命剩余天数。
7.根据权利要求6所述的固态硬盘的寿命预测装置,其特征在于,还包括模型系数计算模块,所述模型系数计算模块用于将所述差分历史时间序列输入至所述指数平滑模型进行模型训练,通过最大似然估计拟合得到所述指数平滑模型的平滑系数值。
8.一种固态硬盘的寿命预测装置,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述固态硬盘的寿命预测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有固态硬盘的寿命预测程序,所述固态硬盘的寿命预测程序被处理器执行时实现如权利要求1至5任一项所述固态硬盘的寿命预测方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010843689.XA CN112000497B (zh) | 2020-08-20 | 2020-08-20 | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 |
US18/020,607 US20230297243A1 (en) | 2020-08-20 | 2021-05-27 | Method and apparatus for predicting service life of solid-state disk, and computer-readable storage medium |
PCT/CN2021/096291 WO2022037169A1 (zh) | 2020-08-20 | 2021-05-27 | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010843689.XA CN112000497B (zh) | 2020-08-20 | 2020-08-20 | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112000497A CN112000497A (zh) | 2020-11-27 |
CN112000497B true CN112000497B (zh) | 2022-03-08 |
Family
ID=73472248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010843689.XA Active CN112000497B (zh) | 2020-08-20 | 2020-08-20 | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230297243A1 (zh) |
CN (1) | CN112000497B (zh) |
WO (1) | WO2022037169A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000497B (zh) * | 2020-08-20 | 2022-03-08 | 苏州浪潮智能科技有限公司 | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 |
CN114327288B (zh) * | 2021-12-31 | 2024-02-20 | 深圳忆联信息系统有限公司 | Ssd剩余用户使用时间的预测方法、装置、计算机设备及存储介质 |
CN116028312A (zh) * | 2023-02-27 | 2023-04-28 | 浪潮电子信息产业股份有限公司 | 一种固态硬盘寿命到期处理方法、装置及介质 |
CN116705137B (zh) * | 2023-05-08 | 2024-04-02 | 深圳市晶存科技有限公司 | 固态硬盘的测试模式切换方法 |
CN117271247B (zh) * | 2023-11-23 | 2024-03-08 | 深圳市钜邦科技有限公司 | 一种ssd固态硬盘测试方法 |
CN117873406B (zh) * | 2024-03-11 | 2024-07-09 | 武汉麓谷科技有限公司 | 一种控制zns固态硬盘的磨损均衡的方法 |
CN118093324B (zh) * | 2024-04-28 | 2024-07-30 | 深圳市领德创科技有限公司 | 一种固态硬盘的寿命预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111176575A (zh) * | 2019-12-28 | 2020-05-19 | 苏州浪潮智能科技有限公司 | 基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008276626A (ja) * | 2007-05-02 | 2008-11-13 | Hitachi Ltd | 記憶制御装置及び記憶制御装置の制御方法 |
US10809931B1 (en) * | 2016-06-24 | 2020-10-20 | EMC IP Holding Company LLC | Techniques for use with physical media types having varying allowable write quotas |
US11132133B2 (en) * | 2018-03-08 | 2021-09-28 | Toshiba Memory Corporation | Workload-adaptive overprovisioning in solid state storage drive arrays |
WO2020000404A1 (en) * | 2018-06-29 | 2020-01-02 | Microsoft Technology Licensing, Llc. | Multi-factor cloud service storage device error prediction |
US20200192572A1 (en) * | 2018-12-14 | 2020-06-18 | Commvault Systems, Inc. | Disk usage growth prediction system |
CN110377449A (zh) * | 2019-07-19 | 2019-10-25 | 苏州浪潮智能科技有限公司 | 一种磁盘故障预测方法、装置及电子设备和存储介质 |
US11586706B2 (en) * | 2019-09-16 | 2023-02-21 | Oracle International Corporation | Time-series analysis for forecasting computational workloads |
CN110688069A (zh) * | 2019-09-20 | 2020-01-14 | 苏州浪潮智能科技有限公司 | 固态硬盘的寿命预测方法、装置、设备及可读存储介质 |
CN112000497B (zh) * | 2020-08-20 | 2022-03-08 | 苏州浪潮智能科技有限公司 | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 |
-
2020
- 2020-08-20 CN CN202010843689.XA patent/CN112000497B/zh active Active
-
2021
- 2021-05-27 WO PCT/CN2021/096291 patent/WO2022037169A1/zh active Application Filing
- 2021-05-27 US US18/020,607 patent/US20230297243A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111176575A (zh) * | 2019-12-28 | 2020-05-19 | 苏州浪潮智能科技有限公司 | 基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022037169A1 (zh) | 2022-02-24 |
CN112000497A (zh) | 2020-11-27 |
US20230297243A1 (en) | 2023-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109359793B (zh) | 一种针对新场景的预测模型训练方法及装置 | |
CN102682841B (zh) | 具有存储设备的温度传感器的使用 | |
CN107480028B (zh) | 磁盘可使用的剩余时长的获取方法及装置 | |
CN109817267B (zh) | 一种基于深度学习的闪存寿命预测方法、系统及计算机可读存取介质 | |
JP2022514992A (ja) | バッテリ診断システム、バッテリ診断方法、及び記憶媒体 | |
CN111176575A (zh) | 基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质 | |
CN112232495B (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
CN111078439A (zh) | 一种固态硬盘寿命预测方法和装置 | |
EP3806008A1 (en) | Model generation device for lifespan prediction, model generation method for lifespan prediction, and storage medium storing model generation program for lifespan prediction | |
CN111078123B (zh) | 一种闪存块的磨损程度的评估方法及装置 | |
CN108845760A (zh) | 一种硬盘维护方法、装置、设备及可读存储介质 | |
CN103514958A (zh) | 一种emmc芯片寿命检测方法 | |
EP4078380B1 (en) | Behavior-driven die management on solid-state drives | |
CN110413430A (zh) | 一种固态硬盘的寿命预测方法、装置及设备 | |
CN109426912B (zh) | 风控系统优化方法、系统、装置以及电子设备 | |
CN112199053B (zh) | 一种应用于小容量存储区的日志记录方法、装置及介质 | |
CN111475115A (zh) | 一种ssd闪存寿命预测的方法、装置、设备及可读介质 | |
CN109524048A (zh) | 一种ssd盘的寿命预警方法及相关装置 | |
CN103793032A (zh) | 用于确定上电复位的方法和装置 | |
CN115793990A (zh) | 存储器健康状态确定方法、装置、电子设备及存储介质 | |
CN112599182A (zh) | 一种非易失性存储寿命预测方法、装置、设备及介质 | |
CN112908391B (zh) | 一种基于数学模型的闪存分类方法及装置 | |
CN112000288A (zh) | Ssd剩余使用时间预测方法、装置、设备、介质 | |
CN115452101A (zh) | 一种仪表检定方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |