CN112559229A - 非易失性内存寿命检测方法、装置、电子设备及存储介质 - Google Patents
非易失性内存寿命检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112559229A CN112559229A CN202011552453.7A CN202011552453A CN112559229A CN 112559229 A CN112559229 A CN 112559229A CN 202011552453 A CN202011552453 A CN 202011552453A CN 112559229 A CN112559229 A CN 112559229A
- Authority
- CN
- China
- Prior art keywords
- operation data
- memory
- data
- training sample
- nonvolatile memory
- 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.)
- Granted
Links
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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Techniques For Improving Reliability Of Storages (AREA)
Abstract
本申请公开了一种非易失性内存寿命检测方法、装置、电子设备及计算机可读存储介质,该方法包括:获取目标非易失性内存对应的第一内存运行数据;将第一内存运行数据输入寿命检测模型,得到目标非易失性内存对应的使用寿命;寿命检测模型基于训练样本训练得到,训练样本由第二内存运行数据和固态硬盘运行数据生成;输出使用寿命;该方法利用非易失性内存和固态硬盘的寿命周期类似的特性,可以利用固态硬盘运行数据对非易失性内存缺失的部分数据进行补充得到训练样本,基于此训练样本训练得到的寿命检测模型能够实现对非易失性内存的使用寿命进行检测的效果。
Description
技术领域
本申请涉及内存技术领域,特别涉及一种非易失性内存寿命检测方法、非易失性内存寿命检测装置、电子设备及计算机可读存储介质。
背景技术
寿命检测可以基于一些固态硬盘、机械硬盘的使用情况和最终寿命时长,对其他的固态硬盘、机械硬盘等存储器件的使用寿命进行检测,以便得知在当前使用情况下固态硬盘、机械硬盘的剩余使用时间。非易失性内存,即persistent memory,是可以在掉电时仍保存其中数据的内存,其具有十分广泛的应用前景,对非易失性内存进行寿命检测同样十分重要。由于非易失性内存上市较晚,且预计寿命比固态硬盘更长,通常可以达到5至7年,当前还不存在非易失性内存达到正常使用寿命的例子,因此无法根据已知的非易失性内存使用情况和最终寿命对其他非易失性内存的使用寿命进行检测。
因此,相关技术存在的无法对非易失性内存的使用寿命进行检测的问题,是本领域技术人员需要解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种非易失性内存寿命检测方法、非易失性内存寿命检测装置、电子设备及计算机可读存储介质,利用非易失性内存和固态硬盘的寿命周期类似的特性,可以利用固态硬盘运行数据对非易失性内存缺失的部分数据进行补充得到训练样本,基于此训练样本训练得到的寿命检测模型能够实现对非易失性内存的使用寿命进行检测的效果。
为解决上述技术问题,本申请提供了一种非易失性内存寿命检测方法,包括:
获取目标非易失性内存对应的第一内存运行数据;
将所述第一内存运行数据输入寿命检测模型,得到所述目标非易失性内存对应的使用寿命;所述寿命检测模型基于训练样本训练得到,所述训练样本由第二内存运行数据和固态硬盘运行数据生成;
输出所述使用寿命。
可选地,所述寿命检测模型的训练过程,包括:
获取时长区间,以预设单位时长为粒度在所述时长区间中确定多个时长;
利用所述第二内存运行数据和所述固态硬盘运行数据,拼接生成各个所述时长对应的所述训练样本;
获取时间序列模型,利用所述训练样本对所述时间序列模型进行训练,得到所述寿命检测模型。
可选地,所述利用所述第二内存运行数据和所述固态硬盘运行数据,拼接生成各个所述时长对应的所述训练样本,包括:
获取初始硬盘数据,并利用所述初始硬盘数据生成硬盘差分数据;
利用所述硬盘差分数据对所述初始硬盘数据进行各个所述时长的数据扩充处理,得到多个所述固态硬盘运行数据;
利用所述第二内存运行数据与所述固态硬盘运行数据进行拼接,得到多个所述训练样本。
可选地,所述利用所述初始硬盘数据生成硬盘差分数据,包括:
将所述初始硬盘数据拆分为不同采样时刻对应的多个初始硬盘子数据;
按照时间先后顺序对所述初始硬盘子数据排序,并分别利用各组相邻的所述初始硬盘子数据计算多个所述硬盘差分数据。
可选地,还包括:
更新所述第二内存运行数据,得到第三内存运行数据;
利用所述第三内存运行数据和所述固态硬盘运行数据对训练样本库进行更新;所述训练样本库用于存储所述训练样本;
利用更新后的所述训练样本库对所述寿命检测模型进行更新,并将所述第三内存运行数据确定为新的所述第二内存运行数据。
可选地,所述更新所述第二内存运行数据,得到第三内存运行数据,包括:
按照目标频率获取所述标准非易失性内存对应的所述目标运行数据;所述标准非易失性内存用于生成所述第二内存运行数据,所述目标频率与所述标准非易失性内存的使用时长呈正相关关系;
对所述目标运行数据与所述第二内存运行数据进行拼接处理,得到所述第三内存运行数据。
可选地,所述利用所述第三内存运行数据和所述固态硬盘运行数据对训练样本库进行更新,包括:
利用所述第三内存运行数据和所述固态硬盘运行数据生成新训练样本;
生成所述新训练样本对应的新权重;所述新权重大于所述训练样本库中任一所述训练样本对应的旧权重;
将所述新训练样本和所述新权重存入所述训练样本库中。
本申请还提供了一种非易失性内存寿命检测装置,包括:
获取模块,用于获取目标非易失性内存对应的第一内存运行数据;
输入模块,用于将所述第一内存运行数据输入寿命检测模型,得到所述目标非易失性内存对应的使用寿命;所述寿命检测模型基于训练样本训练得到,所述训练样本由第二内存运行数据和固态硬盘运行数据生成;
输出模块,用于输出所述使用寿命。
本申请还提供了一种电子设备,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现上述的非易失性内存寿命检测方法。
本申请还提供了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现上述的非易失性内存寿命检测方法。
本申请提供的非易失性内存寿命检测方法,获取目标非易失性内存对应的第一内存运行数据;将第一内存运行数据输入寿命检测模型,得到目标非易失性内存对应的使用寿命;寿命检测模型基于训练样本训练得到,训练样本由第二内存运行数据和固态硬盘运行数据生成;输出使用寿命。
可见,该方法对目标非易失性内存进行寿命检测时,先获取其对应的第一内存运行数据,第一内存运行数据可以表现目标非易失性内存的运行情况,不同运行情况下的使用寿命不同。非易失性内存与固态硬盘具有很多相似之处,二者存储介质相近,均为闪存介质;二者操作类型相近,均为通过充放电进行读、写和擦除操作;二者内部控制方式相近,具有相似的控制器;二者故障处理方式相近,均为利用冗余块对坏块进行替换。因此非易失性内存和固态硬盘的寿命周期类似,可以利用固态硬盘运行数据对非易失性内存缺失的部分数据进行补充,即利用第二内存运行数据和固态硬盘运行数据生成训练样本,并基于训练样本训练得到寿命检测模型。将第一内存运行数据输入后,寿命检测模型对第一内存运行数据进行处理,生成目标非易失性内存对应的使用寿命并输出,完成对非易失性内存的使用寿命的检测,解决了相关技术无法对非易失性内存的使用寿命进行检测的问题。
此外,本申请还提供了一种非易失性内存寿命检测装置、电子设备及计算机可读存储介质,同样具有上述有益效果。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种非易失性内存寿命检测方法流程图;
图2为本申请实施例提供的一种非易失性内存寿命检测装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参考图1,图1为本申请实施例提供的一种非易失性内存寿命检测方法流程图。该方法包括:
S101:获取目标非易失性内存对应的第一内存运行数据。
目标非易失性内存即为需要被检测使用寿命的非易失性内存,其数量可以为一个或多个。各个目标非易失性内存均具有对应的第一内存运行数据,第一内存运行数据记载了其从开始被使用到当前时刻的具体运行情况,其作为寿命检测模型的输入值,根据寿命检测模型采用的架构和训练方式的不同,第一内存运行数据的具体内容可以不同。第一内存训练数据可以包括多个数据项,例如可以包括数据总写入量、使用总时长、冗余块百分比等与目标非易失性内存使用寿命相关的数据项。第一内存运行数据可以实时获取,或者可以按照预设周期获取,或者可以在检测到获取信号时获取。第一内存运行数据的获取方式与其具体内容相关,本实施例对此不做限定。
S102:将第一内存运行数据输入寿命检测模型,得到目标非易失性内存对应的使用寿命。
在获取到第一内存运行数据后,将其输入至寿命检测模型,寿命检测模型对其进行处理后得到对目标非易失性内存寿命的预测值,即使用寿命。需要说明的是,寿命检测模型基于训练样本训练得到,训练样本由第二内存运行数据和固态硬盘运行数据生成。第二内存运行数据为标准非易失性内存对应的运行数据,其用于与固态硬盘运行数据组合生成训练样本。由于非易失性内存上市较晚,当前还不存在非易失性内存达到正常使用寿命的例子,因此无法收集到已知的非易失性内存使用情况和对应的最终寿命。而非易失性内存与固态硬盘具有很多相似之处,二者存储介质相近,均为闪存介质;二者操作类型相近,均为通过充放电进行读、写和擦除操作;二者内部控制方式相近,具有相似的控制器;二者故障处理方式相近,均为利用冗余块对坏块进行替换。上述相似之处使得非易失性内存和固态硬盘的寿命周期类似,因此可以利用固态硬盘运行数据对非易失性内存的运行数据缺失的后半部分数据进行补充,将固态硬盘运行数据与已有的第二内存运行数据进行拼接,补充非易失性内存在寿命中后期的运行数据,进而组成训练样本。由于非易失性内存与固态硬盘具有很多相似特性,因此训练样本与非易失性内存的实际运行数据相差较小,得到的训练数据的准确性较高,进而使得寿命检测模型可以准确检测目标非易失性内存的使用寿命。
可以理解的是,在利用寿命检测模型进行使用寿命的检测前,需要对寿命检测模型进行训练。寿命检测模型的训练过程可以包括:
步骤11:获取时长区间,以预设单位时长为粒度在时长区间中确定多个时长。
步骤12:利用第二内存运行数据和固态硬盘运行数据,拼接生成各个时长对应的训练样本。
步骤13:获取时间序列模型,利用训练样本对时间序列模型进行训练,得到寿命检测模型。
由于在不同的运行状态下,目标非易失性内存的使用寿命不同,例如在频繁写入,总写入量较大的运行情况下,目标非易失性内存的使用寿命较短。在写入频率较低,总写入量较小的运行情况下,目标非易失性内存的使用寿命较长。因此在生成训练样本前,先获取时长区间,时长区间即为目标非易失性内存的使用寿命区间,例如可以为5~7年。预设单位时长为使用寿命的精确度,其具体大小不做限定,例如可以为一天,或者可以为一周。可以理解的是,预设单位时长越小,使用寿命就越精确,例如当预设单位时长为天使,使用寿命可以精确到具体哪一天。在获取时长区间后,以预设单位时长为粒度在时长区间内取多个时长,即将各个时长按照由小到大排序后,相邻的时长间的差值为预设单位时长。在得到多个时长后,利用第二内存运行数据和固态硬盘运行数据拼接得到各个时长对应的训练样本。并利用该样本对时间序列模型进行训练,得到寿命检测模型。时间序列模型可以基于Prephet健康预测算法构建,或者可以基于其他时间序列算法构建。需要说明的是,本实施例并不限定拼接得到训练样本的具体方式,例如可以获取多个固态硬盘运行数据,分别对应于不同的运行时长,在拼接时,利用第二内存运行数据分别与各个固态硬盘运行数据拼接,得到各个时长对应的训练样本。
在另一种实施方式中,可以利用初始硬盘数据得到各个时长对应的固态硬盘运行数据,不需要获取多个分别对应于不同的运行时长的固态硬盘运行数据。因此利用第二内存运行数据和固态硬盘运行数据,拼接生成各个时长对应的训练样本的步骤可以包括:
步骤21:获取初始硬盘数据,并利用初始硬盘数据生成硬盘差分数据。
步骤22:利用硬盘差分数据对初始硬盘数据进行各个时长的数据扩充处理,得到多个固态硬盘运行数据。
步骤23:利用第二内存运行数据与固态硬盘运行数据进行拼接,得到多个训练样本。
初始硬盘数据记录了固态硬盘在多个采样时刻下对应的初始运行数据,初始运行数据具体可以包括总数据写入量、剩余寿命百分比、使用时长等,其中,剩余寿命百分比可以为使用时间与预设时间的百分比,或者为擦写次数和预设擦写次数的百分比,或者为上述两种百分比的加权平均值。由于初始硬盘数据记录的各个采样时刻的间隔通常大于预设单位时长,因此需要利用其进行硬盘差分数据的生成,以便利用硬盘差分数据对厨师硬盘数据进行各个时长的数据扩充处理,得到与各个所述时长对应的固态硬盘运行数据。例如当预设单位时长为1天,而各个采样时刻的间隔为1周时,则需要利用两个相邻采样时刻对应的初始运行数据计算硬盘差分数据,以便将这1周中每天对应的运行数据进行扩充,扩充完毕后得到对应的固态硬盘运行数据。或者当初始硬盘数据的长度为1年,而固态硬盘运行数据的长度为4年,则需要利用硬盘差分数据将初始硬盘数据拉长或填充,得到长难度为4年的固态硬盘运行数据。需要说明的是,各个固态硬盘运行数据的长度并不是训练样本的时长,而是训练样本的时长减去第二内存运行数据的时长。例如当训练样本为5年,第二内存运行数据为1年时,对应的固态硬盘运行数据则为从第二年到第五年,共四年。
具体的,在一种实施方式中,利用初始硬盘数据生成硬盘差分数据的步骤可以包括:
步骤31:将初始硬盘数据拆分为不同采样时刻对应的多个初始硬盘子数据。
步骤32:按照时间先后顺序对初始硬盘子数据排序,并分别利用各个相邻的初始硬盘子数据计算多个硬盘差分数据。
根据采样方式的不同,初始硬盘数据中的初始硬盘数据子数据对应的采样时刻并不是规律的。例如,当按照剩余寿命百分比下降频率作为采样频率时,由于在固态硬盘生命周期中,剩余寿命百分比并不是随时间线性下降的,因此对应的初始硬盘子数据的采样频率并不是固定不变的。在这种情况下,为了生成准确的固态硬盘运行数据,可以生成多个硬盘差分数据,在不同的时间段利用对应的硬盘差分数据进行数据扩充。具体的,按照时间先后顺序对各个初始硬盘子数据进行排序,利用各组相邻的初始硬盘子数据计算之间时间段对应的硬盘差分数据,以便在后续利用该硬盘差分数据对该组初始硬盘子数据之间的固态硬盘运行数据进行扩充。
进一步的,随着时间的推移,标准非易失性内存运行产生的实际运行数据也会增多,为了提高使用寿命检测的准确性,可以增加更真实的训练样本并对寿命检测模型进行更新。具体的,还可以包括:
步骤41:更新第二内存运行数据,得到第三内存运行数据。
步骤42:利用第三内存运行数据和固态硬盘运行数据对训练样本库进行更新;训练样本库用于存储训练样本。
步骤43:利用更新后的训练样本库对寿命检测模型进行更新,并将第三内存运行数据确定为新的第二内存运行数据。
随着标准非易失性内存的更新,会产生新的实际运行数据,即长度更长的实际运行数据,利用这些实际运行数据对第二内存运行数据进行更新,可以得到第三内存运行数据。第三内存数据比第二内存数据的长度更长,记录了更多的非易失性内存实际运行时的运行数据,因此利用其构成的训练样本更具真实性,训练得到的寿命检测模型能够更加准确地检测目标非易失性内存的使用寿命。因此利用第三内存运行数据和固态硬盘运行数据对训练样本库进行更新,即生成新的训练样本并将其添加到训练样本库中。在更新后对寿命检测模型进行更新。需要说明的是,在每次对寿命检测模型更新后,第三内存运行数据会被确定为新的第二内存运行数据,以便在后续对本次更新后的结果再次进行更新。即步骤41~步骤43可以多次执行,具体执行次数不做限定。
具体的,随着非易失性内存使用时长的增加,其到达使用寿命的概率也逐步增加,为了进一步提高寿命检测模型的准确率,可以随着使用时长的增大而增加运行数据的获取频率,以便及时检测到其达到使用寿命。具体的,更新第二内存运行数据,得到第三内存运行数据的步骤可以包括:
步骤51:按照目标频率获取标准非易失性内存对应的目标运行数据。
在本实施例中,标准非易失性内存用于生成第二内存运行数据,目标频率与标准非易失性内存的使用时长呈正相关关系。即随着标准非易失性内存的使用时长的增长,可以更加频繁的获取目标运行数据。例如当标准非易失性内存处于使用早期时,例如使用时长为1~3年时,可以按照冗余块百分比减少1%的频率作为目标频率获取目标运行数据,或者可以按照1周一次的频率获取目标运行数据。当标准非易失性内存处于使用中期时,例如使用时长为3~5年时,可以按照冗余块百分比减少0.25%~0.5%的频率作为目标频率获取目标运行数据,或者可以按照1周两至四次的频率获取目标运行数据。当标准非易失性内存处于使用后期时,例如使用时长为5~7年时,可以按照冗余块百分比减少0.1%~0.2%的频率作为目标频率获取目标运行数据,或者可以按照1周五次的频率获取目标运行数据。
步骤52:对目标运行数据与第二内存运行数据进行拼接处理,得到第三内存运行数据。
在获取目标运行数据后,将其与原有的第二内存运行数据进行拼接,节课得到第三内存运行数据。
更进一步的,为了再进一步提高寿命检测模型的准确性,可以在更新训练样本库时,为具有第三内存运行数据设置更高的权重,以便在训练时更加侧重于利用具有更多真实非易失性内存运行数据的新训练样本进行训练。具体的,利用所述第三内存运行数据和所述固态硬盘运行数据对训练样本库进行更新的步骤可以包括:
步骤61:利用第三内存运行数据和固态硬盘运行数据生成新训练样本。
步骤62:生成新训练样本对应的新权重。
步骤63:将新训练样本和新权重存入训练样本库中。
需要说明的是,新权重大于训练样本库中任一训练样本对应的旧权重,可以理解的是,每次更新时,训练样本库中以后的任意一个训练版本对应的权重均为旧权重。因此当多次对训练样本库进行更新时,每次新生成的新训练样本都具有更多的标准非易失性内存对应的真实运行数据,且其对应的新权重也比已有的训练样本的旧权重更高。更高的权重可以使得寿命检测模型更加侧重于基于新训练样本进行训练,由于新训练样本都具有更多的标准非易失性内存对应的真实运行数据,因此更新后的寿命检测模型也更加准确。
S103:输出使用寿命。
在得到使用寿命后将其输出,具体输出方式和输出的对象不做限定。
应用本申请实施例提供的非易失性内存寿命检测方法,对目标非易失性内存进行寿命检测时,先获取其对应的第一内存运行数据,第一内存运行数据可以表现目标非易失性内存的运行情况,不同运行情况下的使用寿命不同。非易失性内存与固态硬盘具有很多相似之处,二者存储介质相近,均为闪存介质;二者操作类型相近,均为通过充放电进行读、写和擦除操作;二者内部控制方式相近,具有相似的控制器;二者故障处理方式相近,均为利用冗余块对坏块进行替换。因此非易失性内存和固态硬盘的寿命周期类似,可以利用固态硬盘运行数据对非易失性内存缺失的部分数据进行补充,即利用第二内存运行数据和固态硬盘运行数据生成训练样本,并基于训练样本训练得到寿命检测模型。将第一内存运行数据输入后,寿命检测模型对第一内存运行数据进行处理,生成目标非易失性内存对应的使用寿命并输出,完成对非易失性内存的使用寿命的检测,解决了相关技术无法对非易失性内存的使用寿命进行检测的问题。
下面对本申请实施例提供的非易失性内存寿命检测装置进行介绍,下文描述的非易失性内存寿命检测装置与上文描述的非易失性内存寿命检测方法可相互对应参照。
请参考图2,图2为本申请实施例提供的一种非易失性内存寿命检测装置的结构示意图,包括:
获取模块110,用于获取目标非易失性内存对应的第一内存运行数据;
输入模块120,用于将第一内存运行数据输入寿命检测模型,得到目标非易失性内存对应的使用寿命;寿命检测模型基于训练样本训练得到,训练样本由第二内存运行数据和固态硬盘运行数据生成;
输出模块130,用于输出使用寿命。
可选地,包括:
时长确定模块,用于获取时长区间,以预设单位时长为粒度在时长区间中确定多个时长;
训练样本生成模块,用于利用第二内存运行数据和固态硬盘运行数据,拼接生成各个时长对应的训练样本;
训练模块,用于获取时间序列模型,利用训练样本对时间序列模型进行训练,得到寿命检测模型。
可选地,训练样本生成模块,包括:
差分数据生成单元,用于获取初始硬盘数据,并利用初始硬盘数据生成硬盘差分数据;
数据扩充单元,用于利用硬盘差分数据对初始硬盘数据进行各个时长的数据扩充处理,得到多个固态硬盘运行数据;
拼接单元,用于利用第二内存运行数据与固态硬盘运行数据进行拼接,得到多个训练样本。
可选地,差分数据生成单元,包括:
拆分子单元,用于将初始硬盘数据拆分为不同采样时刻对应的多个初始硬盘子数据;
计算子单元,用于按照时间先后顺序对初始硬盘子数据排序,并分别利用各组相邻的初始硬盘子数据计算多个硬盘差分数据。
可选地,还包括:
内存运行数据更新模块,用于更新第二内存运行数据,得到第三内存运行数据;
训练样本库更新模块,用于利用第三内存运行数据和固态硬盘运行数据对训练样本库进行更新;训练样本库用于存储训练样本;
模型更新模块,用于利用更新后的训练样本库对寿命检测模型进行更新,并将第三内存运行数据确定为新的第二内存运行数据。
可选地,内存运行数据更新模块,包括:
采集单元,用于按照目标频率获取标准非易失性内存对应的目标运行数据;标准非易失性内存用于生成第二内存运行数据,目标频率与标准非易失性内存的使用时长呈正相关关系;
更新单元,用于对目标运行数据与第二内存运行数据进行拼接处理,得到第三内存运行数据。
可选地,训练样本库更新模块,包括:
新训练样本生成单元,用于利用第三内存运行数据和固态硬盘运行数据生成新训练样本;
权重生成单元,用于生成新训练样本对应的新权重;新权重大于训练样本库中任一训练样本对应的旧权重;
保存单元,用于将新训练样本和新权重存入训练样本库中。
下面对本申请实施例提供的电子设备进行介绍,下文描述的电子设备与上文描述的非易失性内存寿命检测方法可相互对应参照。
请参考图3,图3为本申请实施例提供的一种电子设备的结构示意图。其中电子设备100可以包括处理器101和存储器102,还可以进一步包括多媒体组件103、信息输入/信息输出(I/O)接口104以及通信组件105中的一种或多种。
其中,处理器101用于控制电子设备100的整体操作,以完成上述的非易失性内存寿命检测方法中的全部或部分步骤;存储器102用于存储各种类型的数据以支持在电子设备100的操作,这些数据例如可以包括用于在该电子设备100上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,SRAM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,EEPROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、只读存储器(Read-Only Memory,ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。
多媒体组件103可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器102或通过通信组件105发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口104为处理器101和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件105用于电子设备100与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件105可以包括:Wi-Fi部件,蓝牙部件,NFC部件。
电子设备100可以被一个或多个应用专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field ProgrammableGate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例给出的非易失性内存寿命检测方法。
下面对本申请实施例提供的计算机可读存储介质进行介绍,下文描述的计算机可读存储介质与上文描述的非易失性内存寿命检测方法可相互对应参照。
本申请还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的非易失性内存寿命检测方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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。
本领域技术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的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域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,但是这种实现不应该认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语包括、包含或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种非易失性内存寿命检测方法,其特征在于,包括:
获取目标非易失性内存对应的第一内存运行数据;
将所述第一内存运行数据输入寿命检测模型,得到所述目标非易失性内存对应的使用寿命;所述寿命检测模型基于训练样本训练得到,所述训练样本由第二内存运行数据和固态硬盘运行数据生成;
输出所述使用寿命。
2.根据权利要求1所述的非易失性内存寿命检测方法,其特征在于,所述寿命检测模型的训练过程,包括:
获取时长区间,以预设单位时长为粒度在所述时长区间中确定多个时长;
利用所述第二内存运行数据和所述固态硬盘运行数据,拼接生成各个所述时长对应的所述训练样本;
获取时间序列模型,利用所述训练样本对所述时间序列模型进行训练,得到所述寿命检测模型。
3.根据权利要求2所述的非易失性内存寿命检测方法,其特征在于,所述利用所述第二内存运行数据和所述固态硬盘运行数据,拼接生成各个所述时长对应的所述训练样本,包括:
获取初始硬盘数据,并利用所述初始硬盘数据生成硬盘差分数据;
利用所述硬盘差分数据对所述初始硬盘数据进行各个所述时长的数据扩充处理,得到多个所述固态硬盘运行数据;
利用所述第二内存运行数据与所述固态硬盘运行数据进行拼接,得到多个所述训练样本。
4.根据权利要求3所述的非易失性内存寿命检测方法,其特征在于,所述利用所述初始硬盘数据生成硬盘差分数据,包括:
将所述初始硬盘数据拆分为不同采样时刻对应的多个初始硬盘子数据;
按照时间先后顺序对所述初始硬盘子数据排序,并分别利用各组相邻的所述初始硬盘子数据计算多个所述硬盘差分数据。
5.根据权利要求2所述的非易失性内存寿命检测方法,其特征在于,还包括:
更新所述第二内存运行数据,得到第三内存运行数据;
利用所述第三内存运行数据和所述固态硬盘运行数据对训练样本库进行更新;所述训练样本库用于存储所述训练样本;
利用更新后的所述训练样本库对所述寿命检测模型进行更新,并将所述第三内存运行数据确定为新的所述第二内存运行数据。
6.根据权利要求5所述的非易失性内存寿命检测方法,其特征在于,所述更新所述第二内存运行数据,得到第三内存运行数据,包括:
按照目标频率获取所述标准非易失性内存对应的所述目标运行数据;所述标准非易失性内存用于生成所述第二内存运行数据,所述目标频率与所述标准非易失性内存的使用时长呈正相关关系;
对所述目标运行数据与所述第二内存运行数据进行拼接处理,得到所述第三内存运行数据。
7.根据权利要求5所述的非易失性内存寿命检测方法,其特征在于,所述利用所述第三内存运行数据和所述固态硬盘运行数据对训练样本库进行更新,包括:
利用所述第三内存运行数据和所述固态硬盘运行数据生成新训练样本;
生成所述新训练样本对应的新权重;所述新权重大于所述训练样本库中任一所述训练样本对应的旧权重;
将所述新训练样本和所述新权重存入所述训练样本库中。
8.一种非易失性内存寿命检测装置,其特征在于,包括:
获取模块,用于获取目标非易失性内存对应的第一内存运行数据;
输入模块,用于将所述第一内存运行数据输入寿命检测模型,得到所述目标非易失性内存对应的使用寿命;所述寿命检测模型基于训练样本训练得到,所述训练样本由第二内存运行数据和固态硬盘运行数据生成;
输出模块,用于输出所述使用寿命。
9.一种电子设备,其特征在于,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的非易失性内存寿命检测方法。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的非易失性内存寿命检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552453.7A CN112559229B (zh) | 2020-12-24 | 2020-12-24 | 非易失性内存寿命检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552453.7A CN112559229B (zh) | 2020-12-24 | 2020-12-24 | 非易失性内存寿命检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112559229A true CN112559229A (zh) | 2021-03-26 |
CN112559229B CN112559229B (zh) | 2023-08-22 |
Family
ID=75033689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011552453.7A Active CN112559229B (zh) | 2020-12-24 | 2020-12-24 | 非易失性内存寿命检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112559229B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795655A (zh) * | 2023-08-25 | 2023-09-22 | 深圳市银闪科技有限公司 | 一种基于人工智能的存储设备性能监测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200134442A1 (en) * | 2018-10-29 | 2020-04-30 | Microsoft Technology Licensing, Llc | Task detection in communications using domain adaptation |
CN111091863A (zh) * | 2019-11-29 | 2020-05-01 | 浪潮(北京)电子信息产业有限公司 | 一种存储设备故障检测方法及相关装置 |
CN111522702A (zh) * | 2020-04-21 | 2020-08-11 | 苏州浪潮智能科技有限公司 | 一种非易失性内存带宽检测方法、装置、设备及可读介质 |
-
2020
- 2020-12-24 CN CN202011552453.7A patent/CN112559229B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200134442A1 (en) * | 2018-10-29 | 2020-04-30 | Microsoft Technology Licensing, Llc | Task detection in communications using domain adaptation |
CN111091863A (zh) * | 2019-11-29 | 2020-05-01 | 浪潮(北京)电子信息产业有限公司 | 一种存储设备故障检测方法及相关装置 |
CN111522702A (zh) * | 2020-04-21 | 2020-08-11 | 苏州浪潮智能科技有限公司 | 一种非易失性内存带宽检测方法、装置、设备及可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795655A (zh) * | 2023-08-25 | 2023-09-22 | 深圳市银闪科技有限公司 | 一种基于人工智能的存储设备性能监测系统及方法 |
CN116795655B (zh) * | 2023-08-25 | 2023-11-24 | 深圳市银闪科技有限公司 | 一种基于人工智能的存储设备性能监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112559229B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596863B (zh) | 一种数据读取方法、装置、设备及可读存储介质 | |
US20230297243A1 (en) | Method and apparatus for predicting service life of solid-state disk, and computer-readable storage medium | |
WO2022213410A1 (zh) | 一种闪存的有效性预测方法、装置及存储介质 | |
JP2007035242A (ja) | フラッシュメモリのリフレッシュ方法 | |
CN113722150B (zh) | 云硬盘数据压缩备份及恢复方法、装置、设备及存储介质 | |
US20180225195A1 (en) | Selective application testing | |
CN112559229A (zh) | 非易失性内存寿命检测方法、装置、电子设备及存储介质 | |
US9007843B2 (en) | Internal data compare for memory verification | |
CN108509348A (zh) | 一种系统老化的测试方法及移动终端 | |
CN111091863A (zh) | 一种存储设备故障检测方法及相关装置 | |
CN114169604A (zh) | 性能指标的异常检测方法、异常检测装置、电子设备和存储介质 | |
CN105304140A (zh) | 电子设备的存储器性能的测试方法及装置 | |
CN113568836A (zh) | 多时间序列的样本特征提取方法以应用其的软件检测方法 | |
CN112599182A (zh) | 一种非易失性存储寿命预测方法、装置、设备及介质 | |
CN112417463A (zh) | 软件漏洞预测方法、装置、计算机设备及存储介质 | |
CN109101259B (zh) | 一种OSDMap缓存容器的更新方法、装置及终端 | |
CN110390160A (zh) | 一种时序信号的周期检测方法、装置及相关设备 | |
CN110780820A (zh) | 一种连续存储空间确定方法、装置及电子设备和存储介质 | |
CN113820649B (zh) | 一种电能表固件的寿命可靠性测试方法和装置 | |
JP2004234720A (ja) | 半導体装置およびその状態遷移チェック方法 | |
CN114077917A (zh) | 一种事件预测模型的确定方法、装置、设备和存储介质 | |
CN112256462A (zh) | NAND Flash存储器的寿命预估方法、装置及介质 | |
CN113625935A (zh) | 减少读干扰影响的方法、装置、设备及存储介质 | |
CN110673788A (zh) | 固态硬盘的数据读取方法、装置、设备及可读存储介质 | |
CN113298185B (zh) | 模型训练方法、异常文件检测方法、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 |