CN112817525A - 闪存芯片可靠性等级预测方法、装置及存储介质 - Google Patents

闪存芯片可靠性等级预测方法、装置及存储介质 Download PDF

Info

Publication number
CN112817525A
CN112817525A CN202110066138.1A CN202110066138A CN112817525A CN 112817525 A CN112817525 A CN 112817525A CN 202110066138 A CN202110066138 A CN 202110066138A CN 112817525 A CN112817525 A CN 112817525A
Authority
CN
China
Prior art keywords
flash memory
memory chip
predicted
reliability
prediction model
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
Application number
CN202110066138.1A
Other languages
English (en)
Inventor
陈卓
张浩明
潘玉茜
刘政林
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.)
Futurepath Technology Shenzhen Co ltd
Original Assignee
Futurepath Technology Shenzhen Co ltd
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 Futurepath Technology Shenzhen Co ltd filed Critical Futurepath Technology Shenzhen Co ltd
Priority to CN202110066138.1A priority Critical patent/CN112817525A/zh
Priority to PCT/CN2021/083538 priority patent/WO2022156064A1/zh
Publication of CN112817525A publication Critical patent/CN112817525A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F3/0646—Horizontal data movement in storage systems, i.e. moving data in between storage devices or systems
    • G06F3/0652—Erasing, e.g. deleting, data cleaning, moving of data to a wastebasket
    • 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
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
    • G11C29/56—External testing equipment for static stores, e.g. automatic test equipment [ATE]; Interfaces therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Techniques For Improving Reliability Of Storages (AREA)
  • Read Only Memory (AREA)

Abstract

本发明公开了一种闪存芯片可靠性等级预测方法、装置及存储介质。其中方法包括：对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量；对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，依据待预测闪存芯片的特征量和待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合；将待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并对第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型；将待预测闪存芯片数据集合中的第二子集输入到第二闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第一预测结果。上述方法可以提高闪存芯片可靠性等级的预测准确度。

Description

闪存芯片可靠性等级预测方法、装置及存储介质
技术领域
本发明涉及存储器技术领域，尤其是涉及一种闪存芯片可靠性等级预测方法、装置、存储介质及计算机设备。
背景技术
存储器作为数据存储的载体，早已出现在现代电子产品的各个角落，并成为电子系统中不可或缺的一部分。在存储器领域，闪存扮演着十分重要的角色。闪存是一种非易失性存储器，在许多方面有其独特的优点，如：能长时间保存数据、数据传输速度快、存储容量较大等等。因此，闪存在通信、消费、工业控制、军事等领域出现的频率越来越高，也越来越受到重视。
但闪存也有其不可忽视的缺点。其中，可靠性问题便是闪存最主要的问题之一。闪存因为其独特的物理结构，导致其在使用过程中，存储单元的氧化层结构会遭受到磨损，这种磨损是不可逆的，一旦磨损程度超过一定限度，就会在数据存储过程中，出现数据比特错误，闪存运行时产生的这种无法纠正的数据错误将会影响到整个存储系统的正常使用。因此，在存储系统中，往往会加入纠错算法，来纠正因可靠性问题导致的数据比特错误。但是，纠错算法存在错误上限，一旦闪存存储块内发生磨损的存储单元数量超过一定限度，纠错算法就会无法完全纠错，即纠错后的数据仍将出现比特错误。这种情况的发生将会严重地危害通信、消费、工业控制、军事等领域的信息安全，甚至造成不可估计的损失。
基于以上的原因，目前就出现了一些预测闪存可靠性等级的方法，通过这些方法，可以使用户了解闪存内部的损耗情况，并及时做出存储策略调整，从而延长闪存的使用寿命，以及避免因存储器中突发性的闪存数据错误增加而导致的损失。但是，由于闪存芯片之间存在一定差异，这就导致了闪存芯片可靠性等级预测难以达到较高的准确度。因此，如何提高闪存芯片可靠性等级预测的准确度，成为目前亟需解决的问题。
发明内容
有鉴于此，本申请提供了一种闪存芯片可靠性等级预测方法、装置、存储介质及计算机设备，主要目的在于解决现有闪存芯片可靠性等级预测方法的预测准确度较差的技术问题。
根据本发明的第一个方面，提供了一种闪存芯片可靠性等级预测方法，该方法包括：
对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量；
对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，依据待预测闪存芯片的特征量和待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合；
将待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并对第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型；
将待预测闪存芯片数据集合中的第二子集输入到第二闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第一预测结果。
可选的，待预测闪存芯片的可靠性等级的第一预测结果包括Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级，其中，Tm定义为编程-擦除操作周期数，则该方法还包括：对待预测闪存芯片进行Tm次编程-擦除操作，并采集Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级；将Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级与Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级进行比较；若Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级与Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级不一致，则对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型；将待预测闪存芯片数据集合中的第三子集输入到第三闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第二预测结果。
可选的，对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型，包括：在待预测闪存芯片的Tm次编程-擦除操作过程中，采集待预测闪存芯片的至少一种特征量；对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，将待预测闪存芯片的特征量和待预测闪存芯片的特征运算值存储在待预测闪存芯片的数据集合中；将待预测闪存芯片的数据集合中的第四子集输入到第二闪存可靠性等级预测模型的优化程序中，并对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型。
可选的，编程-擦除操作周期数Tm为单一预设定值或多个预设定值的组合，其中，当Tm为多个预设定值的组合时，待预测闪存芯片的可靠性等级的第一预测结果包括多个与预设定值一一对应的Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级。
可选的，第一闪存可靠性等级预测模型的训练方法，包括：从闪存产品集合中抽取出多个闪存芯片作为样本闪存芯片，并通过闪存测试系统采集样本闪存芯片的至少一种特征量；对样本闪存芯片的至少一种特征量进行运算操作，得到样本闪存芯片的特征运算值，依据样本闪存芯片的特征量和样本闪存芯片的特征运算值，建构样本闪存芯片的数据集合；将样本闪存芯片的数据集合中的子集作为机器学习分类器的输入，对机器学习分类器进行训练，得到第一闪存可靠性等级预测模型。
可选的，闪存产品集合中包含同一制造工艺下相同类型且不同批次的多种闪存芯片；则从闪存产品集合中抽取出多个闪存芯片作为样本闪存芯片，包括：从闪存产品集合中随机抽取出预定数量的闪存芯片作为样本闪存芯片。
可选的，机器学习分类器包括支持向量机分类器、朴素贝叶斯分类器、k近邻分类器、决策树分类器、集成学习分类器和线性判别分类器中的一种或多种。
可选的，第一闪存可靠性等级预测模型的优化程序和第二闪存可靠性等级预测模型的优化程序与第一闪存可靠性等级预测模型训练所用的机器学习分类器相对应；其中，第一闪存可靠性等级预测模型的优化程序和第二闪存可靠性等级预测模型的优化程序包括支持向量机分类器模型优化程序、朴素贝叶斯分类器模型优化程序、k近邻分类器模型优化程序、决策树分类器模型优化程序、集成学习分类器模型优化程序、线性判别分类器模型优化程序中的一种或多种。
可选的，待预测闪存芯片的特征量和样本闪存芯片的特征量包括以下特征量中的一种或多种：闪存芯片各闪存操作的时间、各闪存操作时的电流、芯片功耗、阈值电压分布及电压变化量、闪存块编号、闪存页编号、当前编程-擦除周期数、闪存块中条件错误页数、条件错误块数、原始错误比特数和原始错误比特率。
可选的，待预测闪存芯片的特征量的运算操作方法和样本闪存芯片的特征量的运算操作方法包括以下运算操作方法中的一种或多种：特征量的线性运算、特征量的非线性运算、不同特征量间的线性运算、不同特征量间的非线性运算、计算不同存储页面特征量的最大值、计算不同存储页面特征量的最小值、不同存储页面特征量之间的线性运算、不同存储页面特征量之间的非线性运算、不同存储块特征量之间的线性运算、不同存储块特征量之间的非线性运算、计算不同存储块特征量的最大值和计算不同存储块特征量的最小值。
可选的，待预测闪存芯片的可靠性等级的第一预测结果和待预测闪存芯片的可靠性等级的第二预测结果包括以下结果中的一种或多种：待预测闪存芯片的当前错误比特数量等级、待预测闪存芯片的当前错误比特率等级、Tm次编程-擦除操作后待预测闪存芯片的错误比特数量等级、Tm次编程-擦除操作后待预测闪存芯片的错误比特率等级和待预测闪存芯片的剩余编程-擦除周期数量等级。
根据本发明的第二个方面，提供了一种闪存芯片可靠性等级预测装置，该装置包括：
特征量采集模块，用于对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量；
数据集合构建模块，用于对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，依据待预测闪存芯片的特征量和待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合；
模型参数调整模块，用于将待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并对第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型；
预测结果输出模块，用于将待预测闪存芯片数据集合中的第二子集输入到第二闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第一预测结果。
根据本发明的第三个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述闪存芯片可靠性等级预测方法。
根据本发明的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述闪存芯片可靠性等级预测方法。
本发明提供的一种闪存芯片可靠性等级预测方法、装置、存储介质及计算机设备，通过采集闪存芯片的至少一种特征量，然后对采集到的至少一种特征量进行运算操作得到特征运算值，继而对闪存可靠性等级预测模型进行参数优化，最后将闪存芯片的特征量和特征运算值作为优化后的闪存可靠性等级预测模型的输入得到闪存芯片的可靠性等级的第一预测结果，相比单一的只以闪存芯片的特征量为输入的预测模型相比，可以有效的提高闪存可靠性等级预测模型的预测准确度。此外，上述方法通过将待预测芯片的特征量和特征量的运算处理结果输入到初始预测模型的优化程序中，得到参数优化后的预测模型，能够差异化地针对每一个闪存芯片进行专一化的模型参数优化，从而解决了因为闪存芯片之间的差异导致的可靠性等级预测准确率下降的问题。因此，上述方法可以有效提高闪存芯片可靠性等级的预测准确度，并有效降低因为闪存芯片数据失效导致的数据安全隐患。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了本发明实施例提供的一种闪存芯片可靠性等级预测方法的流程示意图；
图2示出了本发明实施例提供的另一种闪存芯片可靠性等级预测方法的流程示意图；
图3示出了本发明实施例提供的又一种闪存芯片可靠性等级预测方法的流程示意图；
图4示出了本发明实施例提供的一种基于闪存芯片可靠性等级预测的闪存芯片测试方法的流程示意图；
图5示出了本发明实施例提供的一种基于决策树分类器的闪存可靠性等级预测模型的构建方法的流程示意图；
图6示出了本发明实施例提供的一种基于决策树分类器的闪存可靠性等级预测模型的优化方法的结构示意图；
图7示出了本发明实施例提供的一种闪存芯片可靠性等级预测装置的结构示意图；
图8示出了本发明实施例提供的另一种闪存芯片可靠性等级预测装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在一个实施例中，如图1所示，提供了一种闪存芯片可靠性等级预测方法，以该方法应用于计算机设备为例进行说明，包括以下步骤：
101、对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量。
其中，闪存操作是指对闪存芯片进行编程操作、读取操作和擦除操作，一般来说，在对闪存芯片进行测试时会将编程操作和擦除操作算作一次操作周期，这个操作周期通常称为P-E(编程-擦除)操作。特征量指的是闪存芯片在进行闪存操作过程中计算机设备可以通过闪存测试装置采集到的物理信息和闪存芯片寿命信息，如闪存操作的时间、电流、电压分布、闪存块的编号、闪存块的页原始错误比特数，闪存块当前已经历的编程-擦除周期数等等。
具体的，在对待预测闪存芯片进行可靠性等级预测时，首先要对待预测闪存芯片进行若干次的闪存操作，并在闪存操作的过程中采集待预测闪存芯片的一种或多种特征量。在本实施例中，较为重要的特征量是闪存芯片的寿命信息，如闪存块的页原始错误比特数和闪存块当前已经历的编程-擦除周期数，通过这些寿命信息，计算机设备可以了解到待预测闪存芯片的当前状态，从而做出更加准确的预测。
102、对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，依据待预测闪存芯片的特征量和待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合。
具体的，计算机设备可以对待预测闪存芯片的一种或多种特征量进行运算操作，并得到待预测闪存芯片的一种或多种特征运算值，如计算机设备可以对待预测闪存芯片闪存块内所有页的页原始错误比特数进行平均数运算操作，并得到待预测闪存芯片闪存块内所有页的页原始错误比特数的算数平均数，此外，计算机设备还可以对特征量进行其他形式的运算，并得到闪存块内所有页的页原始错误比特数的平方平均数，闪存块内所有页的页原始错误比特数的中位数等多种特征运算值。
进一步的，计算机设备可以将采集到的待预测闪存芯片的特征量以及运算得到的待预测闪存芯片的特征运算值存在同一个数据集合中，从而建构出待预测闪存芯片的数据集合，需要说明的是，待预测闪存芯片的数据集合在构建完成后，计算机设备还可以在后续的预测过程中不断地对待预测芯片进行闪存操作，以获取到更多的特征量以及特征运算值，并将这些特征量和特征运算值存储在待预测闪存芯片的数据集合中，从而不断丰富数据集合中的数据。在本实施例中，计算机设备可以对待预测闪存芯片的一种特征量进行单独运算操作，也可以对待预测闪存芯片的多种特征量进行组合运算操作，计算机设备还可以根据采集到的不同种类的特征量进行多种形式的运算，从而得到多种特征运算值。可以理解的是，待预测闪存芯片的特征量的种类越多、待预测闪存芯片的特征量的运算操作方式越丰富，越有助于得到准确的待预测闪存芯片的可靠性等级预测结果。
103、将待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并对第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型。
其中，第一闪存可靠性等级预测模型指的是基于机器学习分类器预先训练好的初始预测模型，第二闪存可靠性等级预测模型指的是针对待预测闪存芯片进行针对性参数优化后的预测模型，第一闪存可靠性等级预测模型的优化程序指的是与第一闪存可靠性等级预测模型训练所用的机器学习分类器相对应的优化程序，其中，第一闪存可靠性等级预测模型训练所用的机器学习分类器可以包括支持向量机分类器、朴素贝叶斯分类器、k近邻分类器、决策树分类器、集成学习分类器和线性判别分类器等一种或多种分类器，本实施例在此不做具体限定。
具体的，计算机设备可以将待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并依据第一闪存可靠性等级预测模型对应的优化程序中的各个优化步骤对第一闪存可靠性等级预测模型进行参数调整，从而得到参数优化后的第二闪存可靠性等级预测模型。在本实施例中，第一子集为从预测闪存芯片的数据集合随机选取出的一个数据子集，第一子集中的数据量小于等于预测闪存芯片的数据集合中的数据量。
104、将待预测闪存芯片数据集合中的第二子集输入到第二闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第一预测结果。
具体的，计算机设备可以将待预测闪存芯片数据集合中的第二子集输入到参数优化后的第二闪存可靠性等级预测模型中，从而得到待预测闪存芯片的可靠性等级的第一预测结果。在本实施例中，第二子集为从预测闪存芯片的数据集合随机选取出的另一个数据子集，第二子集中的数据量小于等于预测闪存芯片的数据集合中的数据量，并且，第二子集可以是与第一子集相同或不同的子集，第二子集和第一子集可以有交集或没有交集。可以理解的是，当第二子集中的数据与第一子集中的数据重叠率较小时，预测的结果更加客观真实。
在本实施例中，待预测闪存芯片的可靠性等级可以包括待预测闪存芯片当前的可靠性等级，待预测闪存芯片经过预设次数编程-擦除后的可靠性等级等级以及待预测闪存芯片的剩余寿命等级等多种结果。具体的，可靠性等级可以用错误比特数量等级和/或错误比特率等级来表示，剩余寿命等级可以用剩余编程-擦除周期数量等级来表示。其中，错误比特数量指的是闪存芯片读取操作后读取的未经纠错的数据与编程操作时写入的数据相比产生的错误比特数量；错误比特率等级指的是闪存芯片读取操作后读取的未经纠错的数据与编程操作时写入的数据相比产生的错误比特所占比例；剩余编程-擦除周期数量指的是闪存芯片由当前直至超过一定的错误率之间经历的编程-擦除周期数量。在本实施例中，错误比特数量、错误比特率以及剩余编程-擦除周期数量的数值区间均可以划分为两个或两个以上的子区间，每个子区间对应一个可靠性等级。
本实施例提供的闪存芯片可靠性等级预测方法，通过采集闪存芯片的至少一种特征量，然后对采集到的至少一种特征量进行运算操作得到特征运算值，继而对闪存可靠性等级预测模型进行参数优化，最后将闪存芯片的特征量和特征运算值作为优化后的闪存可靠性等级预测模型的输入得到闪存芯片的可靠性等级的第一预测结果，相比单一的只以闪存芯片的特征量为输入的预测模型相比，可以有效的提高闪存可靠性等级预测模型的预测准确度。此外，上述方法通过将待预测芯片的特征量和特征量的运算处理结果输入到初始预测模型的优化程序中，得到参数优化后的预测模型，能够差异化地针对每一个闪存芯片进行专一化的模型参数优化，从而解决了因为闪存芯片之间的差异导致的可靠性等级预测准确率下降的问题。因此，上述方法可以有效提高闪存芯片可靠性等级的预测准确度，并有效降低因为闪存芯片数据失效导致的数据安全隐患。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的实施过程，提供了闪存芯片可靠性等级预测方法，如图2所示，该方法包括以下步骤：
201、从闪存产品集合中抽取出多个闪存芯片作为样本闪存芯片，并通过闪存测试系统采集样本闪存芯片的至少一种特征量。
具体的，在对待预测闪存芯片进行可靠性等级预测之前，首先要建立闪存可靠性等级的初始预测模型，即建立第一闪存可靠性等级预测模型。建立模型的第一步是从闪存产品集合中抽取出多个闪存芯片作为样本闪存芯片，并通过闪存测试装置采集每一个样本闪存芯片的至少一种特征量。
在一个可选的实施方式中，闪存产品集合中包含有同一制造工艺下相同类型且不同批次的多种闪存芯片，那么，抽取样本闪存芯片的具体方法可以为：从闪存产品集合中随机抽取出预定数量的闪存芯片作为样本闪存芯片。其中，样本闪存芯片中涵盖有相同工艺、类型和型号但批次不同的多个样本闪存芯片。通过这种方式，可以保证训练样本的多样性，从而更好地增强初始预测模型的泛化能力，减轻后续模型参数优化的负担。在本实施例中，样本闪存芯片的编号最好能够覆盖到闪存编号列表中的前中后区域。
在一个可选的实施方式中，采集的样本闪存芯片的特征量可以包括以下特征量中的一种或多种：闪存芯片各闪存操作的时间(包括编程时间、读取时间和擦除时间等)、各闪存操作时的电流(包括编程时的电流、读取时的电流和擦除时的电流等)、芯片功耗、阈值电压分布及电压变化量、闪存块编号、闪存页编号、当前编程-擦除周期数、闪存块中条件错误页数、条件错误块数、原始错误比特数和原始错误比特率。可以理解的是，采集到的样本闪存芯片的特征量的种类和数量越多，越有助于训练出输出准确的闪存可靠性等级预测模型。
在一个可选的实施方式中，采集样本闪存芯片的特征量的方法可以包括以下步骤：首先通过闪存测试装置记录样本闪存芯片的当前编程-擦除周期数，然后向样本闪存芯片发送测试数据，并对样本闪存芯片执行擦除操作和编辑操作，同时通过闪存测试装置采集样本闪存芯片执行编辑操作时的电流和功耗，以及样本闪存芯片各个页面的编程时间和编程时间对应的存储块号和存储页号，在执行完编辑操作之后，不保持数据存储或保持数据储存一定时长后，对样本闪存芯片执行读取操作，同时通过闪存测试装置采集样本闪存芯片执行读取操作时的阈值电压分布、电流、功耗以及样本闪存芯片各个页面的读取时间，最后将读取操作时读取的数据与编辑操作时写入的数据进行比较，得到样本闪存芯片的条件错误页数、条件错误块数、原始错误比特数和原始错误比特率。在本实施方式中，采集样本闪存芯片的阈值电压分布的方式为：通过闪存测试装置执行读取操作所需的命令集，使得样本闪存芯片的读取操作参考电压产生偏移，然后对读取操作所得的数据进行数学分析和运算，得到样本闪存芯片的阈值电压分布。需要说明的是，在对样本闪存芯片的可靠性等级进行预测的过程中，需要通过上述方式对所有的样本闪存芯片进行多轮的编程-擦除操作，并在操作的过程中不断采集每一个样本闪存芯片的每一轮编程-擦除操作的至少一种特征量。
202、对样本闪存芯片的至少一种特征量进行运算操作，得到样本闪存芯片的特征运算值，依据样本闪存芯片的特征量和样本闪存芯片的特征运算值，建构样本闪存芯片的数据集合。
具体的，建立模型的第二步是对样本闪存芯片的一种或多种特征量进行运算操作，从而得到样本闪存芯片的一种或多种特征运算值，然后将采集到的样本闪存芯片的特征量以及运算得到的样本闪存芯片的特征运算值存在同一个数据集合中，从而建构出样本闪存芯片的数据集合。在本实施例中，计算机设备可以对样本闪存芯片的一种特征量进行单独运算操作，也可以对样本闪存芯片的多种特征量进行组合运算操作，计算机设备还可以根据采集到的不同种类的特征量进行多种形式的运算，从而得到多种特征运算值。
在一个可选的实施方式中，样本闪存芯片的特征量的运算操作方法可以包括以下运算操作方法中的一种或多种：特征量的线性运算、特征量的非线性运算、不同特征量间的线性运算、不同特征量间的非线性运算、计算不同存储页面特征量的最大值、计算不同存储页面特征量的最小值、不同存储页面特征量之间的线性运算、不同存储页面特征量之间的非线性运算、不同存储块特征量之间的线性运算、不同存储块特征量之间的非线性运算、计算不同存储块特征量的最大值和计算不同存储块特征量的最小值。可以理解的是，样本闪存芯片的特征运算值的种类和数量越多，越有助于训练出输出准确的闪存可靠性等级预测模型。
203、将样本闪存芯片的数据集合中的子集作为机器学习分类器的输入，对机器学习分类器进行训练，得到第一闪存可靠性等级预测模型。
具体的，建立模型的第三步是将样本闪存芯片的数据集合中的一个子集作为选定的机器学习分类器的输入，按照选定的机器学习分类器的训练步骤对模型进行训练，得到训练好的预测模型。在本实施例中，从样本闪存芯片的数据集合中选取出的子集为随机选取出的一个数据子集，该子集中的数据量小于等于样本闪存芯片的数据集合中的数据量，样本闪存芯片的数据集合中未选取出的另一个互斥子集可以作为测试数据，对训练好的预测模型进行参数调整，从而得到第一闪存可靠性等级预测模型。
在一个可选的实施方式中，训练第一闪存可靠性等级预测模型所用的机器学习分类器可以为支持向量机分类器、朴素贝叶斯分类器、k近邻分类器、决策树分类器、集成学习分类器和线性判别分类器中的一种或多种，本实施例在此不做具体限定。
204、对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量。
具体的，在第一闪存可靠性等级预测模型训练完成之后，即可通过第一闪存可靠性等级预测模型对待预测闪存芯片的可靠性等级进行预测。预测的第一步是对待预测闪存芯片进行若干次的闪存操作，并在闪存操作的过程中通过闪存测试系统采集待预测闪存芯片的一种或多种特征量。
在一个可选的实施方式中，采集的待预测闪存芯片的特征量与训练模型所用的样本闪存芯片的特征量相对应，同样可以包括以下特征量中的一种或多种：闪存芯片各闪存操作的时间、各闪存操作时的电流、芯片功耗、阈值电压分布及电压变化量、闪存块编号、闪存页编号、当前编程-擦除周期数、闪存块中条件错误页数、条件错误块数、原始错误比特数和原始错误比特率。可以理解的是，采集到的待预测闪存芯片的特征量的种类和数量越多，越有助于得到准确的可靠性等级的预测结果。
205、对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，依据待预测闪存芯片的特征量和待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合。
具体的，预测的第二步是对待预测闪存芯片的一种或多种特征量进行运算操作，从而得到待预测闪存芯片的一种或多种特征运算值，然后将采集到的待预测闪存芯片的特征量以及运算得到的待预测闪存芯片的特征运算值存在同一个数据集合中，从而建构出待预测闪存芯片的数据集合。需要说明的是，待预测闪存芯片的数据集合在构建完成后，计算机设备还可以在后续的预测过程中不断地对待预测芯片进行闪存操作，以获取到更多的特征量以及特征运算值，并将这些特征量和特征运算值存储在待预测闪存芯片的数据集合中，从而不断丰富数据集合中的数据。在本实施例中，计算机设备可以对待预测闪存芯片的一种特征量进行单独运算操作，也可以对待预测闪存芯片的多种特征量进行组合运算操作，计算机设备还可以根据采集到的不同种类的特征量进行多种形式的运算，从而得到多种特征运算值。
在一个可选的实施方式中，待预测闪存芯片的特征量的运算操作方法与样本闪存芯片的特征量的运算操作方法相对应，同样可以包括以下运算操作方法中的一种或多种：特征量的线性运算、特征量的非线性运算、不同特征量间的线性运算、不同特征量间的非线性运算、计算不同存储页面特征量的最大值、计算不同存储页面特征量的最小值、不同存储页面特征量之间的线性运算、不同存储页面特征量之间的非线性运算、不同存储块特征量之间的线性运算、不同存储块特征量之间的非线性运算、计算不同存储块特征量的最大值和计算不同存储块特征量的最小值。可以理解的是，待预测闪存芯片的特征运算值的种类和数量越多，越有助于得到准确的可靠性等级的预测结果。
206、将待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并对第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型。
具体的，预测的第三步是将待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并依据第一闪存可靠性等级预测模型对应的优化程序中的各个优化步骤对第一闪存可靠性等级预测模型进行参数调整，从而得到参数优化后的第二闪存可靠性等级预测模型。在本实施例中，第一子集为从预测闪存芯片的数据集合随机选取出的一个数据子集，第一子集中的数据量小于等于预测闪存芯片的数据集合中的数据量。
在一个可选的实施方式中，第一闪存可靠性等级预测模型的优化程序与第一闪存可靠性等级预测模型训练所用的机器学习分类器相对应，例如，当第一闪存可靠性等级预测模型为支持向量机分类器模型时，第一闪存可靠性等级预测模型的优化程序就为支持向量机分类器模型的优化程序。具体的，与第一闪存可靠性等级预测模型相对应的，第一闪存可靠性等级预测模型的优化程序可以包括支持向量机分类器模型优化程序、朴素贝叶斯分类器模型优化程序、k近邻分类器模型优化程序、决策树分类器模型优化程序、集成学习分类器模型优化程序、线性判别分类器模型优化程序中的一种或多种。
207、将待预测闪存芯片数据集合中的第二子集输入到第二闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第一预测结果。
具体的，预测的第四步是将待预测闪存芯片数据集合中的第二子集输入到参数优化后的第二闪存可靠性等级预测模型中，从而得到待预测闪存芯片的可靠性等级的第一预测结果。在本实施例中，第二子集为从预测闪存芯片的数据集合随机选取出的另一个数据子集，第二子集中的数据量小于等于预测闪存芯片的数据集合中的数据量，并且，第二子集可以是与第一子集相同或不同的子集，第二子集和第一子集可以有交集或没有交集。可以理解的是，当第二子集中的数据与第一子集中的数据重叠率较小时，预测的结果更加客观真实。
在一个可选的实施方式中，待预测闪存芯片的可靠性等级的第一预测结果中包括Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级，其中，Tm定义为编程-擦除操作周期数。在本实施方式中，编程-擦除操作周期数Tm可以为单一预设定值，也可以为多个预设定值的组合，其中，当Tm为多个预设定值的组合时，待预测闪存芯片的可靠性等级的第一预测结果也包括多个与预设定值一一对应的Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级。通过这种方式，本方法可以对一定次数P-E操作后闪存芯片可靠性等级进行准确预测，从而有效地降低因为闪存芯片数据失效导致数据安全隐患。
208、对待预测闪存芯片进行Tm次编程-擦除操作，并采集Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级。
209、将Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级与Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级进行比较。
210、若Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级与Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级不一致，则对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型。
具体的，在得到待预测闪存芯片的可靠性等级的第一预测结果之后，还可以通过第一预测结果中的Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级进一步优化第二闪存可靠性等级预测模型，从而得到针对性更强和准确性更高的第三闪存可靠性等级预测模型，并通过第三闪存可靠性等级预测模型得到更准确的第二预测结果。
在本实施例中，优化预测模型的第一步是对待预测闪存芯片进行Tm次编程-擦除操作，并采集和计算Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级。进一步的，优化预测模型的第二步是将采集和计算得到的Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级与第二闪存可靠性等级预测模型输出的Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级进行比较，若二者不一致，则进行优化预测模型的第三步，即对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型，若二者一致，则记录待预测闪存芯片当前经历的编程-擦除周期次数，并对待预测闪存芯片的可靠性等级进行再次预测，得到Tr(Tr＞Tm)次编程-擦除操作后待预测闪存芯片的预测可靠性等级，然后重复上述优化预测模型相关步骤。通过这种方式，可以持续对第一闪存可靠性等级预测模型进行多轮参数优化，并得到预测准确度较高且预测范围较广的第三闪存可靠性等级预测模型。
在一个可选的实施方式中，在优化预测模型的第三步中，对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型的方法具体包括以下步骤：首先，在待预测闪存芯片的Tm次编程-擦除操作过程中，采集待预测闪存芯片的至少一种特征量，然后对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，继而将待预测闪存芯片的特征量和待预测闪存芯片的特征运算值存储在待预测闪存芯片的数据集合中，最后将待预测闪存芯片的数据集合中的第四子集输入到第二闪存可靠性等级预测模型的优化程序中，并对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型。在本实施例中，第二闪存可靠性等级预测模型的优化程序与第一闪存可靠性等级预测模型训练所用的机器学习分类器相对应，第四子集为从预测闪存芯片的数据集合选取出的一个数据子集，第四子集中的数据量小于等于预测闪存芯片的数据集合中的数据量，并且，第四子集中包含待预测闪存芯片在Tm次编程-擦除操作过程中采集到的特征量以及这些特征量运算得到的特征运算值。
211、将待预测闪存芯片数据集合中的第三子集输入到第三闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第二预测结果。
具体的，在得到针对性更强和准确性更高的第三闪存可靠性等级预测模型之后，还可以将待预测闪存芯片数据集合中的第三子集输入到第三闪存可靠性等级预测模型中，从而得到更准确的待预测闪存芯片的可靠性等级的第二预测结果，并且，在通过第三闪存可靠性等级预测模型得到新的第二预测结果之后，还可以重复上述步骤208至210，以得到更准确的闪存可靠性等级预测模型和预测结果。通过这种方式，可以在闪存正常操作过程中，持续地进行预测模型的参数优化和可靠性等级预测，进一步提高了预测的准确度。
在一个可选的实施方式中，待预测闪存芯片的可靠性等级的第一预测结果和待预测闪存芯片的可靠性等级的第二预测结果中包括以下结果中的一种或多种：待预测闪存芯片的当前错误比特数量等级、待预测闪存芯片的当前错误比特率等级、Tm次编程-擦除操作后待预测闪存芯片的错误比特数量等级、Tm次编程-擦除操作后待预测闪存芯片的错误比特率等级和待预测闪存芯片的剩余编程-擦除周期数量等级。其中，错误比特数量指的是闪存芯片读取操作后读取的未经纠错的数据与编程操作时写入的数据相比产生的错误比特数量；错误比特率等级指的是闪存芯片读取操作后读取的未经纠错的数据与编程操作时写入的数据相比产生的错误比特所占比例；剩余编程-擦除周期数量指的是闪存芯片由当前直至超过一定的错误率之间经历的编程-擦除周期数量。在本实施例中，错误比特数量、错误比特率以及剩余编程-擦除周期数量的数值区间均可以划分为两个或两个以上的子区间，每个子区间对应一个可靠性等级。
本实施例提供的闪存芯片可靠性等级预测方法，首先通过样本闪存芯片的特征量和样本闪存芯片的特征运算值，得到闪存可靠性等级的初始预测模型，该模型与单一的只以闪存芯片的特征量为输入的预测模型相比，可以有效的提高闪存可靠性等级预测模型的预测准确度。其次，本方法通过在待预测闪存芯片实际使用过程中利用待预测闪存芯片的特征量和样本闪存芯片的特征运算值对训练好的初始预测模型进行参数优化，进一步提升了闪存可靠性等级预测模型的预测准确度。最后，本方法通过将闪存芯片的实际可靠性等级与预测可靠性等级进行比较，能够持续性的对闪存可靠性预测模型进行优化，极大的提升了预测模型针对每一种闪存芯片的可靠性等级的预测准确度。
进一步的，下面结合一个具体的实例对上述实施例提出的方法进行具体描述，可以理解的是，下述所举实例只用于解释本发明，并非用于限定本发明的范围。
图3为本实施例建立和优化闪存可靠性等级预测模型的流程示意图。图4中所示基于闪存可靠性等级的闪存芯片测试流程适用于所有厂商所有类型的闪存芯片。图5和图6中所示基于决策树分类器的模型构建、优化流程适用于其他机器学习分类器上。下面以某厂商的TLC NAND Flash闪存产品(以下简称为“型号M闪存”)为例，介绍闪存芯片测试、模型建立、模型优化的步骤，并对图3中的各步骤进行详细的解释说明。
步骤一，采集样本闪存芯片的特征量并进行运算操作，构建样本闪存芯片的数据集合。这一步是为了构建闪存可靠性等级初始预测模型而进行的数据采集和处理。
本实施例中，选取样本闪存芯片按照以下规则进行抽取：样本闪存需要挑取相同工艺、类型、型号的不同批次的型号M闪存，以保证训练样本具有多样性，能更好地增强初始预测模型的泛化能力，减轻后续模型参数优化的负担。在本实施例中，挑取型号M闪存的不同批次的96个闪存块进行数据采集，样本闪存块的编号覆盖了闪存编号列表中的前中后区域。
本实施例中，对样本闪存芯片进行特征量采集的步骤如图4所示：
(1)将样本闪存芯片与闪存测试系统进行连接，设置型号M闪存的规格、测试信息以及测试图样。
(2)对样本闪存的样本闪存块进行块擦除操作，再对样本闪存块进行页编程操作，将测试图样写入样本闪存块中。
(3)更新编程/擦除周期数的值，该周期数以参数Tpe表示，数值更新表达式为：Tpe＝Tpe+1。
(4)判断Tpe的值。若Tpe的值为50的倍数，则对样本闪存块进行页读取操作。将读取到的页数据与对应页的编程操作写入的测试图样进行数据对比，获取闪存错误信息并记录，然后转至步骤(5)。若Tpe的值不是50的倍数，则直接转至步骤(2)。
(5)判断闪存错误信息中页原始错误比特率RBER是否超过ECC纠错算法上限值T。若超过，则停止测试，返回样本闪存块测试终止标志。若没有超过，则跳转至步骤(2)。
本实施例中，采集的样本闪存芯片特征量包括：闪存块的页原始错误比特数，闪存块当前已经历的编程-擦除周期数。
本实施例中，对样本闪存芯片特征量的运算操作包括：对闪存块内所有页的页原始错误比特数取算数平均数(
Figure BDA0002904199920000171
其中xi为第i页的页原始错误比特数，n为最大闪存页编号)、对闪存块内所有页的页原始错误比特数取平方平均数(
Figure BDA0002904199920000172
其中xi为第i页的页原始错误比特数，n为最大闪存页编号)，对闪存块内所有页的页原始错误比特数取中位数。
步骤二，调整决策树初始预测模型参数，将样本闪存芯片数据集合的子集作为模型输入，训练初始预测模型，并提取初始预测模型函数。
本实施例中，以决策树分类器为基础的初始预测模型的输入包括：页原始错误比特数算数平均数、页原始错误比特数平方平均数、页原始错误比特数中位数、闪存块当前已经历的编程-擦除周期数。
本实施例中，初始预测模型的预测目标为Tm次P-E操作后的闪存可靠性等级，其中Tm设置为100，可靠性等级分为五类，这五类分别代表闪存块总原始错误比特数的五个区间。
本实施例中，对决策树分类器初始预测模型进行训练的步骤如图5所示：
(1)从节点集合中选取适当的分裂节点，并对分裂节点的取值范围进行区域划分。
(2)根据划分的区域类别，计算该种划分方式下的回归方差(
Figure BDA0002904199920000181
Figure BDA0002904199920000182
集合I为某个区域类别代表的区间，xi为某一样本点对应的100次P-E操作后的可靠性等级，μ是区间内所有样本点的可靠性等级平均值)。
(3)若回归方差较大，未小于阈值，则重复步骤(1)和步骤(2)，调整区域划分层数以及分裂节点，直至回归方差小于阈值。
(4)回归方差小于阈值后，停止训练，保存并提取决策树分类器模型。
步骤三，采集待预测闪存芯片的特征量并进行运算操作，构建待预测闪存芯片的数据集合，记录闪存块此刻已经历的编程-擦除周期数为Trenew。这一步是为了后续对初始预测模型参数优化进行数据采集工作。
本实施例中，待预测闪存芯片的特征量和运算操作，与步骤一相同。
步骤四，取待预测闪存芯片数据集合的子集，输入决策树分类器模型优化程序中，对已训练得到的初始预测模型中进行参数优化调整，并将参数优化后的预测模型取代原先已有的预测模型。
本实施例中，决策树分类器模型优化程序步骤如图6所示：
(1)初始化待预测闪存芯片数据集，生成属性列表和每个属性对应的类别数表(以下简称为CC表)。同时创建节点队列。
(2)若节点队列不为空，则取出节点队列中第一个节点P，在旧决策树模型中寻找P，后接步骤(3)。若节点队列为空，则后接步骤(7)。
(3)判断旧决策树模型中是否存在节点P。若旧决策树模型中存在节点P，则将节点P存放在旧决策树模型节点上，后接步骤(4)。若旧决策树模型中不存在节点P，后接步骤(5)。
(4)判断节点P对应的可靠性等级与旧决策树模型对应的可靠性等级是否相同。若相同，则直接后接步骤(6)。若不同，则更新属性列表和CC表，按新的属性列表和CC表重新划分节点P，然后重构节点P的子树，再后接步骤(6)。
(5)整合待预测闪存芯片训练集和样本闪存芯片训练集，重新生成CC表。后接步骤(6)
(6)将节点P从节点列表中删除，再跳转至步骤(2)。
(7)终止决策树分类器模型优化程序，保存优化后的决策树模型。
步骤五，后续在待预测闪存芯片正常地运行过程中，重复步骤三的操作，并将新的待预测闪存芯片数据集合的子集输入到更新后的可靠性等级预测模型中，获得预测的闪存芯片可靠性等级Gpredict，同时记录闪存块当前已经历的编程-擦除周期数Tnow，将二者构成组合(Tnow，Gpredict)并保存。
步骤六，当闪存块已经历的编程-擦除周期数为Tnow+Tm时，判断Gpredict与当前待预测闪存块实际可靠性等级Greal是否相同。若相同，则继续执行步骤七。若不相同，则跳转至步骤四，重新对旧决策树可靠性等级预测模型进行参数优化。
步骤七，当闪存块已经历的编程-擦除周期数为Trenew+Tr时(Tr为预测无误情况下预测模型参数重新优化所需的P-E周期数，在本实施例中，Tr为500)，跳转至步骤四，重新对旧决策树可靠性等级预测模型进行参数优化，以实现在闪存正常操作过程中，持续地进行预测模型参数优化和可靠性等级预测。
进一步的，作为图1至图6所示方法的具体实现，本实施例提供了一种闪存芯片可靠性等级预测装置，如图7所示，该装置包括：特征量采集模块31、数据集合构建模块32、模型参数调整模块33和预测结果输出模块模块34。
特征量采集模块31，可用于对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量；
数据集合构建模块32，可用于对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，依据待预测闪存芯片的特征量和待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合；
模型参数调整模块33，可用于将待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并对第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型；
预测结果输出模块34，可用于将待预测闪存芯片数据集合中的第二子集输入到第二闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第一预测结果。
在具体的应用场景中，所述特征量采集模块31，还可用于对待预测闪存芯片进行Tm次编程-擦除操作，并采集Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级；将Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级与Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级进行比较；若Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级与Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级不一致，则所述模型参数调整模块33，还可用于对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型；所述第一预测结果输出模块34，还可用于将待预测闪存芯片数据集合中的第三子集输入到第三闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第二预测结果。
在具体的应用场景中，所述模型参数调整模块33，具体还可用于在待预测闪存芯片的Tm次编程-擦除操作过程中，采集待预测闪存芯片的至少一种特征量；对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，将待预测闪存芯片的特征量和待预测闪存芯片的特征运算值存储在待预测闪存芯片的数据集合中；将待预测闪存芯片的数据集合中的第四子集输入到第二闪存可靠性等级预测模型的优化程序中，并对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型。
在具体的应用场景中，编程-擦除操作周期数Tm为单一预设定值或多个预设定值的组合，其中，当Tm为多个预设定值的组合时，待预测闪存芯片的可靠性等级的第一预测结果包括多个与预设定值一一对应的Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级。
在具体的应用场景中，如图8所示，本装置还包括预测模型训练模块35，所述预测模型训练模块35具体可用于从闪存产品集合中抽取出多个闪存芯片作为样本闪存芯片，并通过闪存测试系统采集样本闪存芯片的至少一种特征量；对样本闪存芯片的至少一种特征量进行运算操作，得到样本闪存芯片的特征运算值，依据样本闪存芯片的特征量和样本闪存芯片的特征运算值，建构样本闪存芯片的数据集合；将待预测闪存芯片的数据集合中的子集作为机器学习分类器的输入，对机器学习分类器进行训练，得到第一闪存可靠性等级预测模型。
在具体的应用场景中，闪存产品集合中包含同一制造工艺下相同类型且不同批次的多种闪存芯片；则从闪存产品集合中抽取出多个闪存芯片作为样本闪存芯片，包括：从闪存产品集合中随机抽取出预定数量的闪存芯片作为样本闪存芯片。
在具体的应用场景中，机器学习分类器包括支持向量机分类器、朴素贝叶斯分类器、k近邻分类器、决策树分类器、集成学习分类器和线性判别分类器中的一种或多种。
在具体的应用场景中，第一闪存可靠性等级预测模型的优化程序和第二闪存可靠性等级预测模型的优化程序与第一闪存可靠性等级预测模型训练所用的机器学习分类器相对应；其中，第一闪存可靠性等级预测模型的优化程序和第二闪存可靠性等级预测模型的优化程序包括支持向量机分类器模型优化程序、朴素贝叶斯分类器模型优化程序、k近邻分类器模型优化程序、决策树分类器模型优化程序、集成学习分类器模型优化程序、线性判别分类器模型优化程序中的一种或多种。
在具体的应用场景中，待预测闪存芯片的特征量和样本闪存芯片的特征量包括以下特征量中的一种或多种：闪存芯片各闪存操作的时间、各闪存操作时的电流、芯片功耗、阈值电压分布及电压变化量、闪存块编号、闪存页编号、当前编程-擦除周期数、闪存块中条件错误页数、条件错误块数、原始错误比特数和原始错误比特率。
在具体的应用场景中，待预测闪存芯片的特征量的运算操作方法和样本闪存芯片的特征量的运算操作方法包括以下运算操作方法中的一种或多种：特征量的线性运算、特征量的非线性运算、不同特征量间的线性运算、不同特征量间的非线性运算、计算不同存储页面特征量的最大值、计算不同存储页面特征量的最小值、不同存储页面特征量之间的线性运算、不同存储页面特征量之间的非线性运算、不同存储块特征量之间的线性运算、不同存储块特征量之间的非线性运算、计算不同存储块特征量的最大值和计算不同存储块特征量的最小值。
在具体的应用场景中，待预测闪存芯片的可靠性等级的第一预测结果和待预测闪存芯片的可靠性等级的第二预测结果包括以下结果中的一种或多种：待预测闪存芯片的当前错误比特数量等级、待预测闪存芯片的当前错误比特率等级、Tm次编程-擦除操作后待预测闪存芯片的错误比特数量等级、Tm次编程-擦除操作后待预测闪存芯片的错误比特率等级和待预测闪存芯片的剩余编程-擦除周期数量等级。
需要说明的是，本实施例提供的一种闪存芯片可靠性等级预测装置所涉及各功能单元的其它相应描述，可以参考图1至图6中的对应描述，在此不再赘述。
基于上述如图1至图6所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1至图6所示的闪存芯片可靠性等级预测方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该待识别软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图6所示的方法，以及图7和图8所示的闪存芯片可靠性等级预测装置实施例，为了实现上述目的，本实施例还提供了一种闪存芯片可靠性等级预测的实体设备，具体可以为个人计算机、服务器、智能手机、平板电脑、智能手表、或者其它网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图6所示的方法。
可选的，该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种闪存芯片可靠性等级预测的实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和待识别软件资源的程序，支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，首先对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量，然后对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，依据待预测闪存芯片的特征量和待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合，继而将待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并对第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型，最后将待预测闪存芯片数据集合中的第二子集输入到第二闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的第一预测结果。与现有技术相比，上述方法通过采集闪存芯片的至少一种特征量，并对采集到的至少一种特征量进行运算操作得到特征运算值，以及将闪存芯片的特征量和特征运算值作为闪存可靠性等级预测模型的共同输入，与仅以特征量为依据训练得到预测模型相比，本方法提出的闪存可靠性等级预测模型的预测准确度更高，此外，上述方法通过将待预测芯片的特征量和特征量的运算处理结果输入到初始预测模型的优化程序中，得到参数优化后的预测模型，能够差异化地针对每一个闪存芯片进行专一性模型参数优化，从而解决了因为闪存芯片之间差异导致的可靠性等级预测准确率下降的问题。因此，上述方法可以有效提高闪存芯片可靠性等级的预测准确度，从而有效地降低因为闪存芯片数据失效导致的数据安全隐患。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种闪存芯片可靠性等级预测方法，其特征在于，所述方法包括：
对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集所述待预测闪存芯片的至少一种特征量；
对所述待预测闪存芯片的至少一种特征量进行运算操作，得到所述待预测闪存芯片的特征运算值，依据所述待预测闪存芯片的特征量和所述待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合；
将所述待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并对所述第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型；
将所述待预测闪存芯片数据集合中的第二子集输入到所述第二闪存可靠性等级预测模型中，得到所述待预测闪存芯片的可靠性等级的第一预测结果。
2.根据权利要求1所述的方法，其特征在于，所述待预测闪存芯片的可靠性等级的第一预测结果包括Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级，其中，所述Tm定义为编程-擦除操作周期数，则所述方法还包括：
对所述待预测闪存芯片进行Tm次编程-擦除操作，并采集Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级；
将所述Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级与所述Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级进行比较；
若所述Tm次编程-擦除操作后待预测闪存芯片的实际可靠性等级与所述Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级不一致，则对所述第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型；
将所述待预测闪存芯片数据集合中的第三子集输入到所述第三闪存可靠性等级预测模型中，得到所述待预测闪存芯片的可靠性等级的第二预测结果。
3.根据权利要求2所述的方法，其特征在于，所述对第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型，包括：
在所述待预测闪存芯片的Tm次编程-擦除操作过程中，采集所述待预测闪存芯片的至少一种特征量；
对所述待预测闪存芯片的至少一种特征量进行运算操作，得到所述待预测闪存芯片的特征运算值，将所述待预测闪存芯片的特征量和所述待预测闪存芯片的特征运算值存储在所述待预测闪存芯片的数据集合中；
将所述待预测闪存芯片的数据集合中的第四子集输入到所述第二闪存可靠性等级预测模型的优化程序中，并对所述第二闪存可靠性等级预测模型进行参数调整，得到第三闪存可靠性等级预测模型。
4.根据权利要求2所述的方法，其特征在于，所述编程-擦除操作周期数Tm为单一预设定值或多个预设定值的组合，其中，当所述Tm为多个预设定值的组合时，所述待预测闪存芯片的可靠性等级的第一预测结果包括多个与所述预设定值一一对应的Tm次编程-擦除操作后待预测闪存芯片的预测可靠性等级。
5.根据权利要求1所述的方法，其特征在于，所述第一闪存可靠性等级预测模型的训练方法，包括：
从闪存产品集合中抽取出多个闪存芯片作为样本闪存芯片，并通过闪存测试系统采集所述样本闪存芯片的至少一种特征量；
对所述样本闪存芯片的至少一种特征量进行运算操作，得到所述样本闪存芯片的特征运算值，依据所述样本闪存芯片的特征量和所述样本闪存芯片的特征运算值，建构样本闪存芯片的数据集合；
将所述样本闪存芯片的数据集合中的子集作为机器学习分类器的输入，对所述机器学习分类器进行训练，得到第一闪存可靠性等级预测模型。
6.根据权利要求5所述的方法，其特征在于，所述闪存产品集合中包含同一制造工艺下相同类型且不同批次的多种闪存芯片；则所述从闪存产品集合中抽取出多个闪存芯片作为样本闪存芯片，包括：从所述闪存产品集合中随机抽取出预定数量的闪存芯片作为样本闪存芯片。
7.根据权利要求5所述的方法，其特征在于，所述机器学习分类器包括支持向量机分类器、朴素贝叶斯分类器、k近邻分类器、决策树分类器、集成学习分类器和线性判别分类器中的一种或多种。
8.一种闪存芯片可靠性等级预测装置，其特征在于，所述装置包括：
特征量采集模块，用于对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集所述待预测闪存芯片的至少一种特征量；
数据集合构建模块，用于对所述待预测闪存芯片的至少一种特征量进行运算操作，得到所述待预测闪存芯片的特征运算值，依据所述待预测闪存芯片的特征量和所述待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合；
模型参数调整模块，用于将所述待预测闪存芯片的数据集合中的第一子集输入到第一闪存可靠性等级预测模型的优化程序中，并对所述第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型；
预测结果输出模块，用于将所述待预测闪存芯片数据集合中的第二子集输入到所述第二闪存可靠性等级预测模型中，得到所述待预测闪存芯片的可靠性等级的第一预测结果。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110066138.1A 2021-01-19 2021-01-19 闪存芯片可靠性等级预测方法、装置及存储介质 Pending CN112817525A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110066138.1A CN112817525A (zh) 2021-01-19 2021-01-19 闪存芯片可靠性等级预测方法、装置及存储介质
PCT/CN2021/083538 WO2022156064A1 (zh) 2021-01-19 2021-03-29 闪存芯片可靠性等级预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110066138.1A CN112817525A (zh) 2021-01-19 2021-01-19 闪存芯片可靠性等级预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112817525A true CN112817525A (zh) 2021-05-18

Family

ID=75869987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110066138.1A Pending CN112817525A (zh) 2021-01-19 2021-01-19 闪存芯片可靠性等级预测方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN112817525A (zh)
WO (1) WO2022156064A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115629715A (zh) * 2022-12-06 2023-01-20 江苏华存电子科技有限公司 一种提高闪存中块类型判断准确率的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108831517A (zh) * 2018-05-23 2018-11-16 武汉忆数存储技术有限公司 一种基于操作时间或电流判断闪存芯片可靠性的方法及测试装置
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
CN109830255A (zh) * 2018-12-17 2019-05-31 武汉忆数存储技术有限公司 一种基于特征量的闪存寿命预测方法、系统及存储介质
CN109830254A (zh) * 2018-12-17 2019-05-31 武汉忆数存储技术有限公司 一种闪存寿命预测方法、系统、存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8489966B2 (en) * 2010-01-08 2013-07-16 Ocz Technology Group Inc. Solid-state mass storage device and method for failure anticipation
CN109637576B (zh) * 2018-12-17 2021-06-11 华中科技大学 一种基于支持向量回归的闪存寿命预测方法
CN109817267B (zh) * 2018-12-17 2021-02-26 武汉忆数存储技术有限公司 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108831517A (zh) * 2018-05-23 2018-11-16 武汉忆数存储技术有限公司 一种基于操作时间或电流判断闪存芯片可靠性的方法及测试装置
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
CN109830255A (zh) * 2018-12-17 2019-05-31 武汉忆数存储技术有限公司 一种基于特征量的闪存寿命预测方法、系统及存储介质
CN109830254A (zh) * 2018-12-17 2019-05-31 武汉忆数存储技术有限公司 一种闪存寿命预测方法、系统、存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115629715A (zh) * 2022-12-06 2023-01-20 江苏华存电子科技有限公司 一种提高闪存中块类型判断准确率的方法及系统
CN115629715B (zh) * 2022-12-06 2023-05-05 江苏华存电子科技有限公司 一种提高闪存中块类型判断准确率的方法及系统

Also Published As

Publication number Publication date
WO2022156064A1 (zh) 2022-07-28

Similar Documents

Publication Publication Date Title
US11074161B2 (en) Optimized test case selection for quality assurance testing of video games
CN108573355B (zh) 模型更新后替换运行的方法、装置、及业务服务器
EP3739494A2 (en) Method, apparatus, system, and program for optimizing solid electrolytes for li-ion batteries using bayesian optimization
CN111124926B (zh) 模糊测试方法、装置、电子设备及存储介质
CN112817524A (zh) 基于动态神经网络的闪存可靠性等级在线预测方法和装置
CN112908399B (zh) 闪存的异常检测方法、装置、计算机设备及存储介质
EP4078380B1 (en) Behavior-driven die management on solid-state drives
US10748166B2 (en) Method and system for mining churn factor causing user churn for network application
CN107678972B (zh) 一种测试用例的评估方法及相关装置
CN116822383A (zh) 设备寿命预测模型构建方法、装置、可读存储介质及设备
JP7410960B2 (ja) 蓄積された消去報告に基づく消去処理選択に関するユーザ案内の提供
CN112908391B (zh) 一种基于数学模型的闪存分类方法及装置
CN112817525A (zh) 闪存芯片可靠性等级预测方法、装置及存储介质
Bertail et al. On bootstrapping the ROC curve
CN117877559A (zh) Rrt参数的确定方法、设备及可读存储介质
CN112802529A (zh) 一种军工级Nand闪存的检测方法、装置、电子设备及存储介质
CN106202374A (zh) 一种数据处理方法及装置
CN113139563B (zh) 一种图像分类模型的优化方法及装置
CN112801130A (zh) 图像聚类簇质量评估方法、系统、介质及装置
CN111385342B (zh) 一种物联网行业识别方法、装置、电子设备及存储介质
Fitzgerald et al. A comparative study of classification methods for flash memory error rate prediction
CN111582502A (zh) 一种样本迁移学习方法和装置
CN111767165A (zh) 数据处理方法、装置及控制设备
CN117435516B (zh) 一种测试用例优先级排序方法和系统
CN112669893B (zh) 确定待使用读电压的方法、系统、装置及设备

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