CN112053726B - 一种基于Er态阈值电压分布的闪存误擦除数据恢复方法 - Google Patents

一种基于Er态阈值电压分布的闪存误擦除数据恢复方法 Download PDF

Info

Publication number
CN112053726B
CN112053726B CN202010941101.4A CN202010941101A CN112053726B CN 112053726 B CN112053726 B CN 112053726B CN 202010941101 A CN202010941101 A CN 202010941101A CN 112053726 B CN112053726 B CN 112053726B
Authority
CN
China
Prior art keywords
flash memory
threshold voltage
data
erased
state
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
Application number
CN202010941101.4A
Other languages
English (en)
Other versions
CN112053726A (zh
Inventor
魏德宝
冯骅
乔立岩
朴哲龙
彭喜元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010941101.4A priority Critical patent/CN112053726B/zh
Publication of CN112053726A publication Critical patent/CN112053726A/zh
Application granted granted Critical
Publication of CN112053726B publication Critical patent/CN112053726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C16/00—Erasable programmable read-only memories
    • G11C16/02—Erasable programmable read-only memories electrically programmable
    • G11C16/06—Auxiliary circuits, e.g. for writing into memory
    • G11C16/10—Programming or data input circuits
    • G11C16/14—Circuits for erasing electrically, e.g. erase voltage switching circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C16/00—Erasable programmable read-only memories
    • G11C16/02—Erasable programmable read-only memories electrically programmable
    • G11C16/04—Erasable programmable read-only memories electrically programmable using variable threshold transistors, e.g. FAMOS
    • G11C16/0408—Erasable programmable read-only memories electrically programmable using variable threshold transistors, e.g. FAMOS comprising cells containing floating gate transistors
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C16/00—Erasable programmable read-only memories
    • G11C16/02—Erasable programmable read-only memories electrically programmable
    • G11C16/06—Auxiliary circuits, e.g. for writing into memory
    • G11C16/34—Determination of programming status, e.g. threshold voltage, overprogramming or underprogramming, retention
    • G11C16/3404—Convergence or correction of memory cell threshold voltages; Repair or recovery of overerased or overprogrammed cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Read Only Memory (AREA)

Abstract

一种基于Er态阈值电压分布的闪存误擦除数据恢复方法，涉及固态存储技术领域。本发明是为了解决针对用户误擦除操作导致闪存数据丢失的问题，目前尚没有任何误擦除数据的直接恢复方法。本发明面向闪存误擦除的数据恢复提供了一种基于测量Er态阈值电压的闪存数据恢复方法。该方法在实际使用过程中，利用擦除后的Er态阈值电压大小与闪存胞元被擦除之前的状态之间的数学关系，结合机器学习算法，为误擦除闪存的数据恢复提供了理论依据和实现方法。主要用于闪存误擦除数据的恢复。

Description

一种基于Er态阈值电压分布的闪存误擦除数据恢复方法
技术领域
本发明涉及固态存储技术领域，尤其是涉及一种闪存数据恢复方法。
背景技术
随着固态存储技术的不断发展，固态硬盘生产成本不断下降，开始逐渐取代传统机械硬盘，成为电子消费市场中存储设备的首选。然而由于闪存特殊的擦写方式，导致被擦除的数据无法恢复，一旦误擦除闪存数据将给用户带来不可挽回的损失。
目前的关于闪存数据恢复都是基于存储状态下的恢复，即由于存储器件的问题，现有的数据恢复都是如何准确的提取存储的数据，也就是恢复存储状态下真实的数据。但是针对用户误擦除操作导致闪存数据丢失的问题，目前尚未有任何直接的数据恢复方法。
发明内容
本发明是为了解决针对用户误擦除操作导致闪存数据丢失的问题，目前尚没有任何误擦除数据的直接恢复方法。
一种基于Er态阈值电压分布的闪存误擦除数据恢复方法，包括以下步骤：
针对于误擦除数据后的闪存，通过控制闪存使闪存Er态阈值电压向右偏移，并绘制偏移后的Er态阈值电压分布；将被擦除闪存所有胞元的阈值电压数据输入至神经网络模型，输出结果为该胞元误擦除前原始阈值电压数据，进而根据擦除前原始阈值电压数据恢复出误擦除前的数据。
进一步地，所述通过控制闪存使闪存Er态阈值电压向右偏移的过程是通过重复编程或读干扰实现的；所述重复编程指不断通过向被擦除胞元写入为浮栅层注入电子的操作。
进一步地，不断通过向被擦除胞元写入为浮栅层注入电子的操作过程中，不断向被擦除胞元写入111。
进一步地，所述绘制偏移后的Er态阈值电压分布的过程是利用read offset或者read retry实现的。
进一步地，所述神经网络模型的训练过程如下：
构建神经网络结构，并初始化网络参数；
输入量为擦除后的阈值电压，输出量为原始胞元状态数据；输入量和输出量是训练前构建的神经网络样本集中的数据；
利用样本集中的样本训练神经网络模型，得到训练好的神经网络模型。
有益效果：
本发明通过控制读干扰和重复编程手段，控制Er态阈值电压稳定增长，实现了Er态阈值电压的测量；然后通过计算被擦除态阈值电压大小和原始状态之间的相关性，不仅为误擦除闪存的数据恢复提供了理论依据，而且能够实现误擦除操作丢失闪存数据的恢复。本发明结合机器学习手段提高了闪存数据恢复的准确性。
附图说明
图1为闪存阈值电压分布示意图；
图2为随着编程次数增加闪存块中跳转胞元数增加曲线；
图3为Er态阈值电压整体偏移至Va’右侧时绘制完整阈值电压分布图；
图4为不同初始状态随着编程次数增加胞元跳变数增长曲线对比图；
图5为神经网络模型构造流程；
图6为利用Er态阈值电压分布的闪存误擦除数据恢复方法流程图。
具体实施方式
具体实施方式一：基于Er态阈值电压分布的闪存误擦除数据恢复方法流程图如图6所示。本实施方式所述的一种基于Er态阈值电压分布的闪存误擦除数据恢复方法，包括以下步骤：
步骤一、NAND Flash误擦除闪存数据后，利用控制闪存读干扰、重复编程等方法使闪存Er态阈值电压向右偏移至可测量范围；
图1为闪存阈值电压分布示意图，MSB最高有效位，LSB最低有效位；如图1所示，三位8个状态下，闪存Er态(擦除态)阈值电压窗，要远大于同一胞元的其他状态，使用闪存read-offset功能控制读参考电压Va移动到最左侧Va’位置也无法绘制出完整的阈值电压分布曲线。所以为了得到被擦除闪存的阈值电压分布数据，本发明通过控制被擦除闪存的阈值电压分布向右侧平移到可测量范围，一般利用重复编程或读干扰来达到这个目的。
重复编程即在闪存一次擦除后，就不断通过向被擦除胞元写入111的方式来为浮栅层注入电子，达到控制Er态阈值电压向右偏移的目的，如图2所示。
图2为5个写入相同数据的闪存块在一次擦除后，连续编程过程中位跳变数量的变化曲线。可以发现写入相同数据的不同闪存块的跳变曲线差别不大。
利用闪存的读干扰也可以实现与重复编程相同的目的。
步骤二、利用read offset或者read retry功能绘制偏移后的Er态阈值电压分布；
当Er态阈值电压偏移至如图3的ER’所示位置时，就可以使用read offset功能绘制出完整的Er态阈值电压分布。
步骤三、将被擦除闪存所有胞元的阈值电压数据输入至预定的神经网络模型，输出结果为该胞元误擦除前原始阈值电压数据；进而根据擦除前原始阈值电压数据恢复出误擦除前的数据。
误擦除闪存块原始胞元状态不同，擦除后阈值电压分布明显不同，利用前后对应关系就能够还原出被擦除前的闪存胞元状态。如图4所示，是不同状态的闪存块擦除后通过重复编程后跳变胞元数的增长曲线。
对比图2与图4，可以发现如果闪存初始状态不同，在擦除后的位跳变曲线差别极大，说明不同初始状态的闪存胞元在擦除后的阈值电压是有显著差异的。
利用擦除前不同胞元状态与擦除后Er态阈值电压之间的联系，结合机器学习算法就可以利用擦除后的Er态阈值电压还原原始数据。以神经网络模型构造为例，流程图如图5所示。
图5中，在训练前需要构建神经网络样本集，输入量为擦除后的阈值电压，输出量为原始胞元状态数据。构建神经网络结构，并初始化网络参数，然后利用样本集中的样本训练神经网络模型，得到训练好的神经网络模型，然后用于还原原始数据。
神经网络的可学习参数通过训练过程确定，超参数，需要根据实际情况进行相应调整。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种基于Er态阈值电压分布的闪存误擦除数据恢复方法，其特征在于，包括以下步骤：
针对于误擦除数据后的闪存，通过控制闪存使闪存Er态阈值电压向右偏移，并绘制偏移后的Er态阈值电压分布；将被擦除闪存所有胞元的阈值电压数据输入至神经网络模型，输出结果为该胞元误擦除前原始阈值电压数据，进而根据擦除前原始阈值电压数据恢复出误擦除前的数据。
2.根据权利要求1所述一种基于Er态阈值电压分布的闪存误擦除数据恢复方法，其特征在于，所述通过控制闪存使闪存Er态阈值电压向右偏移的过程是通过重复编程或读干扰实现的；所述重复编程指不断通过向被擦除胞元写入为浮栅层注入电子的操作。
3.根据权利要求2所述一种基于Er态阈值电压分布的闪存误擦除数据恢复方法，其特征在于，不断通过向被擦除胞元写入为浮栅层注入电子的操作过程中，不断向被擦除胞元写入111。
4.根据权利要求1、2或3所述一种基于Er态阈值电压分布的闪存误擦除数据恢复方法，其特征在于，所述绘制偏移后的Er态阈值电压分布的过程是利用read offset或者readretry实现的。
5.根据权利要求4所述一种基于Er态阈值电压分布的闪存误擦除数据恢复方法，其特征在于，所述神经网络模型的训练过程如下：
构建神经网络结构，并初始化网络参数；
输入量为擦除后的阈值电压，输出量为原始胞元状态数据；输入量和输出量是训练前构建的神经网络样本集中的数据；
利用样本集中的样本训练神经网络模型，得到训练好的神经网络模型。
CN202010941101.4A 2020-09-09 2020-09-09 一种基于Er态阈值电压分布的闪存误擦除数据恢复方法 Active CN112053726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010941101.4A CN112053726B (zh) 2020-09-09 2020-09-09 一种基于Er态阈值电压分布的闪存误擦除数据恢复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010941101.4A CN112053726B (zh) 2020-09-09 2020-09-09 一种基于Er态阈值电压分布的闪存误擦除数据恢复方法

Publications (2)

Publication Number Publication Date
CN112053726A CN112053726A (zh) 2020-12-08
CN112053726B true CN112053726B (zh) 2022-04-12

Family

ID=73611031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010941101.4A Active CN112053726B (zh) 2020-09-09 2020-09-09 一种基于Er态阈值电压分布的闪存误擦除数据恢复方法

Country Status (1)

Country Link
CN (1) CN112053726B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488432A (zh) * 2013-09-16 2014-01-01 哈尔滨工程大学 一种混合磁盘阵列及其延迟写入校验方法和数据恢复方法
CN108717385A (zh) * 2018-05-23 2018-10-30 中国科学院微电子研究所 一种用于闪存的数据恢复方法及系统
CN109493907A (zh) * 2017-09-11 2019-03-19 三星电子株式会社 非易失性存储设备的操作方法和存储器控制器的操作方法
US10402266B1 (en) * 2017-07-31 2019-09-03 Pure Storage, Inc. Redundant array of independent disks in a direct-mapped flash storage system
TW201939362A (zh) * 2018-03-14 2019-10-01 美商超捷公司 用於在深度學習類神經網路中的類比非揮發性記憶體之資料再新之方法及設備
CN110738315A (zh) * 2018-07-18 2020-01-31 华为技术有限公司 一种神经网络精度调整方法及装置
US10573390B1 (en) * 2018-11-30 2020-02-25 Samsung Electronics Co., Ltd. High-density storage system
CN111341375A (zh) * 2020-02-19 2020-06-26 哈尔滨工业大学 一种面向TLC型NAND Flash的阈值电压获取方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100830580B1 (ko) * 2006-10-20 2008-05-21 삼성전자주식회사 플래시 메모리 장치를 포함한 메모리 시스템의 데이터 복원방법
US10089178B2 (en) * 2016-02-29 2018-10-02 International Business Machines Corporation Developing an accurate dispersed storage network memory performance model through training
CN106845634B (zh) * 2016-12-28 2018-12-14 华中科技大学 一种基于忆阻器件的神经元电路

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488432A (zh) * 2013-09-16 2014-01-01 哈尔滨工程大学 一种混合磁盘阵列及其延迟写入校验方法和数据恢复方法
US10402266B1 (en) * 2017-07-31 2019-09-03 Pure Storage, Inc. Redundant array of independent disks in a direct-mapped flash storage system
CN109493907A (zh) * 2017-09-11 2019-03-19 三星电子株式会社 非易失性存储设备的操作方法和存储器控制器的操作方法
TW201939362A (zh) * 2018-03-14 2019-10-01 美商超捷公司 用於在深度學習類神經網路中的類比非揮發性記憶體之資料再新之方法及設備
CN108717385A (zh) * 2018-05-23 2018-10-30 中国科学院微电子研究所 一种用于闪存的数据恢复方法及系统
CN110738315A (zh) * 2018-07-18 2020-01-31 华为技术有限公司 一种神经网络精度调整方法及装置
US10573390B1 (en) * 2018-11-30 2020-02-25 Samsung Electronics Co., Ltd. High-density storage system
CN111341375A (zh) * 2020-02-19 2020-06-26 哈尔滨工业大学 一种面向TLC型NAND Flash的阈值电压获取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Deep Learning-Aided Dynamic Read Thresholds Design for Multi-Level-Cell Flash Memories;Zhen Mei .etc;《 IEEE Transactions on Communications》;20200217;第68卷(第5期);第2850-2862页 *

Also Published As

Publication number Publication date
CN112053726A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN103843067B (zh) 用于非易失性存储器的片上动态读取
CN101584006B (zh) 非易失性存储器中的经分割的软编程
US9378830B2 (en) Partial reprogramming of solid-state non-volatile memory cells
CN103208309B (zh) 存储设备中的失真估计和消除
CN101584005B (zh) 非易失性存储器中的经分割擦除及擦除验证
US7894264B2 (en) Controlling a memory device responsive to degradation
KR101463967B1 (ko) 불휘발성 반도체 메모리, 소거 방법 및 프로그램 방법
US8854892B2 (en) Lifetime markers for memory devices
US8493793B2 (en) Nonvolatile memory device and erasure method thereof
CN104282339B (zh) 读取电压设定方法、控制电路与存储器储存装置
CN108766495B (zh) 数据写入方法、存储器控制器与存储器存储装置
KR100967004B1 (ko) 플래시 메모리 장치의 동작 제어 방법
TW200907983A (en) Non-volatile memory device and method for reading cells
TWI498911B (zh) 記憶體管理方法、記憶體控制器與記憶體儲存裝置
CN113724768B (zh) 半导体存储装置及读取方法
US8619475B2 (en) Methods to operate a memory cell
CN103870399A (zh) 存储器管理方法、存储器控制器与存储器储存装置
CN105359112A (zh) 存储器装置中的操作管理
CN105989883B (zh) 存储器编程方法、存储器存储装置与存储器控制电路单元
CN112053726B (zh) 一种基于Er态阈值电压分布的闪存误擦除数据恢复方法
CN113192550A (zh) 一种存储器最佳读电压确定方法
KR100898684B1 (ko) 플래시 메모리 소자 및 그의 프로그램 방법
US9047974B2 (en) Erased state reading
KR20070111663A (ko) 낸드 플래시 메모리 장치의 프로그램 방법
JP2809921B2 (ja) 不揮発性半導体記憶装置

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