CN113435109B - 一种混合ssd的性能与寿命的优化方法 - Google Patents
一种混合ssd的性能与寿命的优化方法 Download PDFInfo
- Publication number
- CN113435109B CN113435109B CN202110627386.9A CN202110627386A CN113435109B CN 113435109 B CN113435109 B CN 113435109B CN 202110627386 A CN202110627386 A CN 202110627386A CN 113435109 B CN113435109 B CN 113435109B
- Authority
- CN
- China
- Prior art keywords
- area
- data
- flash memory
- layer
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 47
- 238000007726 management method Methods 0.000 claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000013461 design Methods 0.000 claims abstract description 30
- 238000013519 translation Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 230000008447 perception Effects 0.000 claims abstract description 4
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 230000006870 function Effects 0.000 claims 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 4
- 239000007787 solid Substances 0.000 abstract description 4
- 238000013403 standard screening design Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Techniques For Improving Reliability Of Storages (AREA)
Abstract
本发明提供了一种混合SSD的性能与寿命的优化方法，属于固态硬盘技术领域。本混合SSD的性能与寿命的优化方法，包括以下步骤：(a)工作负载感知层算法设计与优化：由离线分析方法，人工对真实的SSD负载的宏、微观特性的进行分类及特征提取；(b)负载特性与闪存转换层信息感知的缓冲区管理层技术设计与优化：分析负载宏、微观特性对缓冲区性能的影响；(c)负载特性与和闪存转换层信息感知的闪存转换层地址映射技术设计与优化；分析负载微观特性的闪存转换层地址映射转换的影响，解决数据在SLC芯片、MLC芯片之间的分配，以及SLC芯片、MLC芯片之间的磨损平衡。本发明降低了平均响应时间及P/E次数少，对混合SSD性能与寿命达到了进一步优化。
Description
技术领域
本发明属于固态硬盘技术领域，涉及一种混合SSD的性能与寿命的优化方法。
背景技术
随着计算机体系结构技术及芯片加工技术的不断进步，计算机系统的CPU性能与输入输出(IO)性能的差距不断扩大。计算机系统IO性能的瓶颈在于硬盘(Hard DiskDrive，HDD)。这些年虽然HDD容量有了很大的提升，但因其存在机械旋转结构，访问速度提升有限。在过去20多年，CPU频率提高了约600倍，而硬盘转速却只提高了20多倍。和磁盘相比，闪存(Flash Memory，闪速存储器)是一种高速、低功耗、抗震、小巧轻便的芯片级存储介质，它被认为是提升计算机系统IO性能的关键性部件。
在工业界和学术界共同努力下，闪存技术取得了长足进步。存储领域正在发生基于NAND闪存的固态硬盘(Solid State Drive，SSD)替代HDD的伟大产业变革。基于NAND闪存的SSD一般由主机接口层、缓冲区管理层(Buffer Management Layer，BML)、闪存转换层(Flash Translation Layer，FTL)和NAND闪存阵列层组成，闪存阵列层一般都采用同质芯片，即要么都是SLC芯片，要么都是MLC芯片。
目前，在FTL和BML设计方面已经存在大量工作，这些工作一般从负载微观特性研究入手，然后针对性的优化了FTL、BML性能，最终实现了SSD性能和寿命的提高。但是，目前SSD固件设计也还存在如下三个方面的问题：(1)缺乏采用FTL、BML协同设计；(2)缺乏混合SSD固件设计；(3)缺乏利用闪存深层次特性进行SSD固件设计。因此，本申请提出如下拟解决的问题：解决混合SSD的固件设计，提高混合SSD的读写性能和延长其寿命。
发明内容
本发明的目的是针对现有的技术存在上述问题，提出了一种混合SSD的性能与寿命的优化方法，本混合SSD的性能与寿命的优化方法降低了平均响应时间及P/E次数少，对混合SSD性能与寿命达到了进一步优化的特点。
本发明的目的可通过下列技术方案来实现：
一种混合SSD的性能与寿命的优化方法，其特征在于，本混合SSD中的闪存阵列层采用SLC芯片和MLC芯片的混合结构，缓冲区管理层和闪存转换层负载特性识别集中，形成工作负载感知层，在闪存转换层内新增编程模式折衷模块，进行闪存的差错检验与校正、容量、P/E次数、数据保存时间、编程速度的折衷，包括以下步骤：
(a)工作负载感知层算法设计与优化：通过离线分析方法，人工对真实的SSD负载的宏、微观特性的进行分类及特征提取，基于机器学习的缓冲区管理层、闪存转换层协同的负载宏观特性与微观特性的在线识别方法；
(b)负载特性与闪存转换层信息感知的缓冲区管理层技术设计与优化：分析负载宏、微观特性对缓冲区性能的影响，从而提出分类处理，优化缓冲区管理层的管理粒度，设计闪存转换层感知的替换策略和缓冲区管理层参数负载自适应机制；
(c)负载特性与和闪存转换层信息感知的闪存转换层地址映射技术设计与优化；分析负载微观特性的闪存转换层地址映射转换的影响，解决数据在SLC芯片、MLC芯片之间的分配，以及SLC芯片、MLC芯片之间的磨损平衡，利用闪存转换层层闪存深层次特性优化闪存转换层设计。
优选地，所述的负载宏观特性分析采用分段统计的方法。
优选地，所述的负载微观特性分析在于访问模式和数据冷热的识别，负载微观特性分析中的数据冷热的识别基于机器学习的热数据识别算法，分为离线学习和在线学习阶段：离线学习阶段，人工对请求进行特征建模和分类，得到训练集，利用此训练集进行机器学习，输出有效特征和模型参数；在线阶段，在请求到达时，进行特征提取，直接用训练好的分类模型进行分类。
优选地，所述的缓冲区管理层的缓冲区分为Hot区、Normal区和Cold区，Hot区按页组织，属于精细粒度；Normal区按虚拟块组织，属于中等粒度；Cold区按逻辑块组织，属于粗粒度，Hot区按照优先权值排序。
优选地，闪存转换层中的CMT拆分为H-CMT、CMT、S-CMT，H-CMT负责缓存经常访问的映射项，S-CMT负责缓存连续访问的映射项，CMT负责缓存普通的随机访问的映射项，所述的H-CMT按单个映射项进行细粒度管理，CMT和S-CMT按翻译页聚簇，即将属于同一个翻译页的映射项聚在一起进行管理。
优选地，所述的闪存转换层对数据的SLC芯片、MLC芯片分配及其之间的磨损平衡,将热数据存储到SLC芯片、冷数据存储到MLC芯片，将部分H-CMT映射项对应的数据映射到SLC芯片中。
优选地，所述的闪存转换层增加编程模式选择模块，通过利用P/E次数、数据保存时间、编程速度之间的折衷。
与现有技术相比，本申请以优化混合SSD性能，即降低平均响应时间、延长混合SSD寿命，即降低P/E次数少为目标，采用跨层设计方法，展开对混合SSD的缓冲区管理层算法、闪存转换层地址映射算法的研究。本项目的创新之处在于：
(1)解决基于SLC芯片和MLC芯片混合结构的混合SSD的固件设计问题，实现混合结构SSD在性能、寿命、成本之间的折衷；
(2)采用跨层设计方法优化缓冲区管理层和闪存转换层的设计，即基于缓冲区管理层和闪存转换层协同的负载宏/微观特性实时识别，以及闪存转换层感知的缓冲区管理层设计、闪存阵列层感知的闪存转换层设计；
(3)基于闪存深层次特性的编程模式选择，即通过利用P/E次数、数据保存时间、编程速度之间的折衷，为混合SSD读写性能优化、寿命延长提供更广阔的空间。
附图说明
图1是本发明的方案流程框图。
图2是本发明中基于机器学习的热数据识别框图。
图3是本发明中缓冲区管理层的缓冲区的总体结构框图。
图4是本发明中闪存转换层的总体结构框图。
图5是本发明中混合SSD的结构框图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
如图1所示，本混合SSD的性能与寿命的优化方法包括以下步骤：
步骤(a)工作负载感知层算法设计与优化：通过离线分析方法，人工对真实的SSD负载特性的进行分类及特征提取，基于机器学习的缓冲区管理层、闪存转换层协同的负载宏观特性与微观特性的在线识别方法。
其中，负载特性分为宏观特性和微观特性，负载宏观特性分析采用分段统计的方法。以服务N个访问请求为一个周期，统计这N个访问请求的操作类型和访问模式，在采样间隔达到后，计算这段时间的负载的宏观特性，下一个周期的宏观特性用当前统计出的宏观特性进行预测。
负载微观特性分析在于访问模式和数据冷热的识别，设置一个阈值，将请求大小小于阈值的数据识别为热数据，反之则为冷数据。如图2所示，负载微观特性分析中的数据冷热的识别基于机器学习的热数据识别算法，分为离线学习和在线学习阶段：离线学习阶段，人工对请求进行特征建模和分类，得到训练集，利用此训练集进行机器学习，输出有效特征和模型参数；在线阶段，在请求到达时，进行特征提取，直接用训练好的分类模型进行分类。此外，还在线收集一个小的训练样本集进行在线机器学习，得到模型参数，使得分类模型能自适应负载特性的变化。
步骤(a)中包含以下方式：
(a1)、判断请求是否在缓冲区管理层中命中，如果命中则根据访问历史更新其访问模式；
(a2)、如果未在缓冲区管理层命中，则判断是否在闪存转换层命中，如果闪存转换层命中，则用以前的访问模式预测当前模式；否则，根据请求大小或者当前请求的逻辑页号与缓冲区管理层中请求的逻辑页号的关系进行粗糙的访问模式识别；
(a3)、在缓冲区管理层剔除数据项时，将其访问模式作为一个参数发给FTL；
(a4)、闪存转换层对每个逻辑映射项，增加一个记录访问模式的参数。
步骤(b)负载特性与闪存转换层信息感知的缓冲区管理层技术设计与优化：分析负载宏、微观特性对缓冲区性能的影响，从而提出分类处理，优化缓冲区管理层的管理粒度，设计闪存转换层感知的替换策略和缓冲区管理层参数负载自适应机制。
如图3所示，缓冲区管理层的缓冲区分为Hot区、Normal区和Cold区，Hot区按页组织，属于精细粒度；Normal区按虚拟块组织，属于中等粒度；Cold区按逻辑块组织，属于粗粒度，Hot区按照优先权值排序。在Hot区和Cold区之间增设一个Normal区，是为了更好的识别出数据的冷热类型，避免Hot区内容直接剔除到Cold区，从而更大可能的在缓冲区中保留热数据。
其中，Hot区、Normal区和Cold区之间的数据页迁移和剔除机制方式：
(b1)、相邻的两个区的数据页互相迁移，只存在两类数据迁移，Hot区和Normal区之间，Normal区和Cold区之间；
(b2)、一个请求在缓冲区中不命中时，根据上节识别出的访问模式进行处理，连续访问加载到Cold区；其它访问加载到Normal区；
(b3)、一个请求在缓冲区命中后，如果在Hot区命中，按P1＝f1(ti,tl)计算新的优先权值P1并重排序，ti计划定义为页/块平均更新间隔，tl为最后更新时间；如果在Normal区命中，计划分情况处理，基本思路是如果在Normal区的前半部分命中，则该请求从Normal区迁移到Hot区，否则按虚拟块最近最少访问原则重排序；如果在Cold区命中，则将其迁移到Normal区，该区按逻辑块LRU原则排序；
(b4)、三个区空间不够时，进行页/块剔除，Hot区和Normal区将排在队尾的页/块剔除到下一个区，Cold区根据下述思路选择剔除块，将该块数据发送到FTL，由闪存转换层决定写到合适的闪存位置；
(b5)、Cold区选择块剔除时，为减少以后闪存转换层进行垃圾回收的代价，不仅考虑Cold区的LRU原则，还考虑每个块的垃圾回收效率。因此，如式P2＝f2(tl,n,D)，Cold区块的剔除优先级P2是块的最后更新时间tl，包含的脏页数量n和脏页在闪存中的位置分布D的函数。其中，脏页在闪存中的位置分布D需要闪存转换层协同才能完成，这也是传统缓冲区管理层设计很少考虑的。定性来讲，最后更新时间tl越早，或者脏页数量n越大，或者脏页位置分布D越集中时，这些块应该优先剔除出去。这是因为tl越早，说明该块的本地性最差；脏页数量n越大，或者脏页位置分布D越集中，则意味着后续的垃圾回收效率越高。
步骤(c)负载特性与和闪存转换层信息感知的闪存转换层地址映射技术设计与优化；分析负载微观特性的闪存转换层地址映射转换的影响，解决数据在SLC芯片、MLC芯片之间的分配，以及SLC芯片、MLC芯片之间的磨损平衡，利用闪存转换层层闪存深层次特性优化闪存转换层设计。
如图4所示，闪存转换层中的CMT拆分为H-CMT、CMT、S-CMT，H-CMT负责缓存经常访问的映射项，S-CMT负责缓存连续访问的映射项，CMT负责缓存普通的随机访问的映射项，H-CMT按单个映射项进行细粒度管理，CMT和S-CMT按翻译页聚簇，将属于同一个翻译页的映射项聚在一起进行管理。
当请求未在H-CMT，CMT和S-CMT命中时，根据前面识别出的请求的访问模式，连续请求加载到S-CMT，其它请求加载到CMT。当请求在CMT和S-CMT命中时，将其提升到H-CMT中，剔除时，H-CMT采用简单的LRU原则，将队尾映射项剔除到CMT中；CMT和S-CMT采用批量剔除原则，即将属于同一个翻译页的脏的映射项一次性批量更新到闪存的翻译块中，以优化传统DFTL按单个映射项更新的方法。CMT和S-CMT批量剔除时，翻译页的剔除优先级P3根据翻译页最后访问时间tl和页内脏的映射项的数量n进行确定，如式P3＝f3(tl,n)。为增强对访问的空间本地性的利用，在请求未在H-CMT，CMT和S-CMT命中后，读取新的映射项时采用预取策略，预取大小取决于访问模式，连续请求预取更多映射项到S-CMT，随机请求预取较少的映射项CMT。
此外，闪存转换层对数据的SLC芯片、MLC芯片分配及其之间的磨损平衡中,将热数据存储到SLC芯片、冷数据存储到MLC芯片，因此解决思路是准备将部分H-CMT映射项对应的数据映射到SLC中去，且不能直接将缓冲区管理层Hot区的热数据存放到SLC芯片，因为经过缓冲区进行写吸收合并后，在闪存转换层看到的数据冷热程度会发送变化。为实现这个目标，对H-CMT的每个映射项增加一个变量，记录其更新次数，同时按式计算SLC芯片、MLC芯片归一化的磨损程度；最后根SLC芯片、MLC芯片归一化的磨损程度，动态调整SLC芯片、MLC芯片分配阈值assign_th，将映射项更新次数小于assign_th的映射项即冷数据分配到SLC芯片，反之则映射到MLC芯片。此外，当归一化SLC芯片磨损程度超过MLC磨损程度一定量时，增大assign_th，即减少数据分配到SLC；反之，当归一化的SLC芯片磨损程度小于MLC芯片磨损程度一定量时，减小assign_th，即增多数据分配到SLC芯片。SLC芯片和MLC芯片内部的磨损平衡采用现有磨损平衡算法实现。
在式中，rws、rwm分别为SLC芯片和MLC芯片的相对磨损度，total_es、total_em分别为SLC芯片和MLC芯片总的擦除次数，ns、nm分别为SLC和MLC总的块数，ls、lm分别为SLC芯片和MLC芯片的磨损上限。
闪存转换层增加编程模式选择模块，通过利用P/E次数、数据保存时间、编程速度之间的折衷。传统的SSD在往闪存写数据时，一般都不区分数据类型，厂商为保证最坏情况下的数据可靠性，P/E次数接近其极限，保存时间10年，设计了特别强大的差错校验码。这也说明，在大部分的时间内，差错校验码都有较大空余。
如图5所示，本混合SSD中的闪存阵列层采用SLC芯片和MLC芯片的混合结构，缓冲区管理层和闪存转换层负载特性识别集中，形成工作负载感知层，在闪存转换层内新增编程模式折衷模块，进行闪存的差错检验与校正、容量、P/E次数、数据保存时间、编程速度的折衷。
本申请以优化混合SSD性能，即降低平均响应时间、延长混合SSD寿命，即降低P/E次数少为目标，采用跨层设计方法，展开对混合SSD的缓冲区管理层算法、闪存转换层地址映射算法的研究。本项目的创新之处在于：
(1)解决基于SLC芯片和MLC芯片混合结构的混合SSD的固件设计问题，实现混合结构SSD在性能、寿命、成本之间的折衷；
(2)采用跨层设计方法优化缓冲区管理层和闪存转换层的设计，即基于缓冲区管理层和闪存转换层协同的负载宏/微观特性实时识别，以及闪存转换层感知的缓冲区管理层设计、闪存阵列层感知的闪存转换层设计；
(3)基于闪存深层次特性的编程模式选择，即通过利用P/E次数、数据保存时间、编程速度之间的折衷，为混合SSD读写性能优化、寿命延长提供更广阔的空间。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。尽管本文较多地使用了术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (6)
1.一种混合SSD的性能与寿命的优化方法，其特征在于，本混合SSD中的闪存阵列层采用SLC芯片和MLC芯片的混合结构，缓冲区管理层和闪存转换层负载特性识别集中，形成工作负载感知层，在闪存转换层内新增编程模式折衷模块，进行闪存的差错检验与校正、容量、P/E次数、数据保存时间、编程速度的折衷，包括以下步骤：
（a）工作负载感知层算法设计与优化：通过离线分析方法，人工对真实的SSD负载的宏、微观特性的进行分类及特征提取，基于机器学习的缓冲区管理层、闪存转换层协同的负载宏观特性与微观特性的在线识别；
（b）负载特性与闪存转换层信息感知的缓冲区管理层技术设计与优化：分析负载宏、微观特性对缓冲区性能的影响，从而提出分类处理，优化缓冲区管理层的管理粒度，设计闪存转换层感知的替换策略和缓冲区管理层参数负载自适应机制；
缓冲区管理层的缓冲区分为Hot区、Normal区和Cold区，Hot区按页组织，属于精细粒度；Normal区按虚拟块组织，属于中等粒度；Cold区按逻辑块组织，属于粗粒度，Hot区按照优先权值排序；在Hot区和Cold区之间增设一个Normal区，是为了更好的识别出数据的冷热类型，避免Hot区内容直接剔除到Cold区，从而更大可能的在缓冲区中保留热数据， Hot区、Normal区和Cold区之间的数据页迁移和剔除机制方式：
（b1）、相邻的两个区的数据页互相迁移，只存在两类数据迁移，Hot区和Normal区之间，Normal区和Cold区之间；
（b2）、一个请求在缓冲区中不命中时，根据上节识别出的访问模式进行处理，连续访问加载到Cold区；其它访问加载到Normal区；
（b3）、一个请求在缓冲区命中后，如果在Hot区命中，按P 1= f 1 (t i , t l ) 计算新的优先权值P 1并重排序，t i 计划定义为页/块平均更新间隔，t l 为最后更新时间；如果在Normal区命中，计划分情况处理，基本思路是如果在Normal区的前半部分命中，则该请求从Normal区迁移到Hot区，否则按虚拟块最近最少访问原则重排序；如果在Cold区命中，则将其迁移到Normal区，该区按逻辑块LRU原则排序；
（b4）、三个区空间不够时，进行页/块剔除，Hot区和Normal区将排在队尾的页/块剔除到下一个区，Cold区根据下述思路选择剔除块，将该块数据发送到FTL，由闪存转换层决定写到合适的闪存位置；
（b5）、Cold区选择块剔除时，为减少以后闪存转换层进行垃圾回收的代价，不仅考虑Cold区的LRU原则，还考虑每个块的垃圾回收效率；因此，如式P 2= f 2 (t l , n, D) ，Cold区块的剔除优先级P 2是块的最后更新时间t l ，包含的脏页数量n和脏页在闪存中的位置分布D的函数；其中，脏页在闪存中的位置分布D需要闪存转换层协同才能完成，这也是传统缓冲区管理层设计很少考虑的。定性来讲，最后更新时间t l 越早，或者脏页数量n越大，或者脏页位置分布D越集中时，这些块应该优先剔除出去；这是因为t l 越早，说明该块的本地性最差；脏页数量n越大，或者脏页位置分布D越集中，则意味着后续的垃圾回收效率越高；
（c）负载特性与和闪存转换层信息感知的闪存转换层地址映射技术设计与优化；分析负载微观特性的闪存转换层地址映射转换的影响，解决数据在SLC芯片、MLC芯片之间的分配，以及SLC芯片、MLC芯片之间的磨损平衡。
2.根据权利要求1所述的混合SSD的性能与寿命的优化方法，其特征在于，所述的负载宏观特性分析采用分段统计的方法。
3.根据权利要求1或2所述的混合SSD的性能与寿命的优化方法，其特征在于，负载微观特性分析在于访问模式和数据冷热的识别，负载微观特性分析中的数据冷热的识别基于机器学习的热数据识别算法，分为离线学习和在线学习阶段：离线学习阶段，人工对请求进行特征建模和分类，得到训练集，利用此训练集进行机器学习，输出有效特征和模型参数；在线阶段，在请求到达时，进行特征提取，直接用训练好的分类模型进行分类。
4.根据权利要求1所述的混合SSD的性能与寿命的优化方法，其特征在于，闪存转换层中的CMT拆分为H-CMT、CMT、S-CMT，H-CMT负责缓存经常访问的映射项，S-CMT负责缓存连续访问的映射项，CMT负责缓存普通的随机访问的映射项，所述的H-CMT按单个映射项进行细粒度管理，CMT和S-CMT按翻译页聚簇。
5.根据权利要求4所述的混合SSD的性能与寿命的优化方法，其特征在于，所述的闪存转换层对数据的SLC芯片、MLC芯片分配及其之间的磨损平衡, 热数据存储到SLC芯片、冷数据存储到MLC芯片。
6.根据权利要求5所述的混合SSD的性能与寿命的优化方法，其特征在于，所述的闪存转换层增加编程模式选择模块，利用P/E次数、数据保存时间、编程速度之间的折衷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110627386.9A CN113435109B (zh) | 2021-06-04 | 2021-06-04 | 一种混合ssd的性能与寿命的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110627386.9A CN113435109B (zh) | 2021-06-04 | 2021-06-04 | 一种混合ssd的性能与寿命的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435109A CN113435109A (zh) | 2021-09-24 |
| CN113435109B true CN113435109B (zh) | 2024-01-30 |
Family
ID=77803723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110627386.9A Active CN113435109B (zh) | 2021-06-04 | 2021-06-04 | 一种混合ssd的性能与寿命的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435109B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114328282A (zh) * | 2021-12-27 | 2022-04-12 | 深存科技(无锡)有限公司 | 用于ssd闪存管理的机器学习优化及应用方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102012791A (zh) * | 2010-10-15 | 2011-04-13 | 中国人民解放军国防科学技术大学 | 基于Flash的数据存储PCIE板卡 |
| CN103197899A (zh) * | 2012-04-02 | 2013-07-10 | 微软公司 | 增强基于闪存的存储的寿命和性能 |
| DE102013106242A1 (de) * | 2012-07-02 | 2014-04-17 | Infomicro Electronics Industrial Park (Shenzhen) Ltd. | Halbleiterlaufwerk mit Konvertierungsschicht (ETL) und Umleitung von temporären Dateien zur Verschleissminderung von Flashspeichern |
| CN106815152A (zh) * | 2016-12-27 | 2017-06-09 | 华中科技大学 | 一种优化页级闪存转换层的方法 |
| CN108121503A (zh) * | 2017-08-08 | 2018-06-05 | 鸿秦（北京）科技有限公司 | 一种NandFlash地址映射及块管理算法 |
| CN108153682A (zh) * | 2017-12-12 | 2018-06-12 | 西安交通大学 | 一种利用闪存内部并行性进行闪存转换层地址映射的方法 |
| CN109144896A (zh) * | 2018-08-10 | 2019-01-04 | 暨南大学 | 一种基于mlc奇偶对称性的可感知型数据缓存管理方法 |
| CN109446117A (zh) * | 2018-09-06 | 2019-03-08 | 杭州电子科技大学 | 一种固态硬盘页级闪存转换层设计方法 |
| CN109783398A (zh) * | 2019-01-18 | 2019-05-21 | 上海海事大学 | 一种基于相关感知页面级ftl固态硬盘性能优化方法 |
| CN110413537A (zh) * | 2019-07-25 | 2019-11-05 | 杭州电子科技大学 | 一种面向混合固态硬盘的闪存转换层及转换方法 |
| CN110968564A (zh) * | 2018-09-28 | 2020-04-07 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及数据状态预测模型的训练方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012161659A1 (en) * | 2011-05-24 | 2012-11-29 | Agency For Science, Technology And Research | A memory storage device, and a related zone-based block management and mapping method |
| US9098400B2 (en) * | 2012-10-31 | 2015-08-04 | International Business Machines Corporation | Dynamic tuning of internal parameters for solid-state disk based on workload access patterns |
| US11157209B2 (en) * | 2019-01-22 | 2021-10-26 | EMC IP Holding Company LLC | Storage allocation techniques using logical region I/O access information and temporal trend prediction |
-
2021
- 2021-06-04 CN CN202110627386.9A patent/CN113435109B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102012791A (zh) * | 2010-10-15 | 2011-04-13 | 中国人民解放军国防科学技术大学 | 基于Flash的数据存储PCIE板卡 |
| CN103197899A (zh) * | 2012-04-02 | 2013-07-10 | 微软公司 | 增强基于闪存的存储的寿命和性能 |
| DE102013106242A1 (de) * | 2012-07-02 | 2014-04-17 | Infomicro Electronics Industrial Park (Shenzhen) Ltd. | Halbleiterlaufwerk mit Konvertierungsschicht (ETL) und Umleitung von temporären Dateien zur Verschleissminderung von Flashspeichern |
| CN106815152A (zh) * | 2016-12-27 | 2017-06-09 | 华中科技大学 | 一种优化页级闪存转换层的方法 |
| CN108121503A (zh) * | 2017-08-08 | 2018-06-05 | 鸿秦（北京）科技有限公司 | 一种NandFlash地址映射及块管理算法 |
| CN108153682A (zh) * | 2017-12-12 | 2018-06-12 | 西安交通大学 | 一种利用闪存内部并行性进行闪存转换层地址映射的方法 |
| CN109144896A (zh) * | 2018-08-10 | 2019-01-04 | 暨南大学 | 一种基于mlc奇偶对称性的可感知型数据缓存管理方法 |
| CN109446117A (zh) * | 2018-09-06 | 2019-03-08 | 杭州电子科技大学 | 一种固态硬盘页级闪存转换层设计方法 |
| CN110968564A (zh) * | 2018-09-28 | 2020-04-07 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及数据状态预测模型的训练方法 |
| CN109783398A (zh) * | 2019-01-18 | 2019-05-21 | 上海海事大学 | 一种基于相关感知页面级ftl固态硬盘性能优化方法 |
| CN110413537A (zh) * | 2019-07-25 | 2019-11-05 | 杭州电子科技大学 | 一种面向混合固态硬盘的闪存转换层及转换方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹丹丹等.基于FTL层的高可靠星载数据编码保护设计.计算机应用与软件,2017,149-151+191. * |
| 王志奇.一种优化的闪存转换层的设计与实现.2020,2611-2616. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435109A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10922235B2 (en) | Method and system for address table eviction management | |
| Chang | A hybrid approach to NAND-flash-based solid-state disks | |
| Park et al. | CFLRU: a replacement algorithm for flash memory | |
| Dunn et al. | A new I/O scheduler for solid state devices | |
| CN101634967B (zh) | 用于闪存的区块管理方法、储存系统与控制器 | |
| CN111796765B (zh) | 优化数据存储系统性能的方法 | |
| Alsalibi et al. | A survey of techniques for architecting slc/mlc/tlc hybrid flash memory–based ssds | |
| US8214596B2 (en) | Apparatus and method for segmented cache utilization | |
| CN107423229B (zh) | 一种面向页级ftl的缓冲区改进方法 | |
| CN113254358A (zh) | 用于地址表高速缓存管理的方法和系统 | |
| US11693570B2 (en) | Machine learning to improve caching efficiency in a storage system | |
| Zhang et al. | CRFTL: cache reallocation-based page-level flash translation layer for smartphones | |
| Li et al. | Haml-ssd: A hardware accelerated hotness-aware machine learning based ssd management | |
| CN113435109B (zh) | 一种混合ssd的性能与寿命的优化方法 | |
| CN101859278B (zh) | 用于闪存的数据储存方法及储存系统 | |
| Fevgas et al. | LB-Grid: An SSD efficient grid file | |
| Hsieh et al. | Multi-channel architecture-based FTL for reliable and high-performance SSD | |
| CN116185300A (zh) | 一种在主机端基于深度学习完成固态硬盘高效垃圾回收的软硬件实现办法 | |
| Sun et al. | CalmWPC: A buffer management to calm down write performance cliff for NAND flash-based storage systems | |
| Bai et al. | Fdtl: a unified flash memory and hard disk translation layer | |
| CN113220241A (zh) | 一种基于跨层设计的混合ssd性能与寿命优化方法 | |
| Ma et al. | MAID-Q: Minimizing Tail Latency in Embedded Flash With SMR Disk via-Learning Model | |
| Kim et al. | Partial page buffering for consumer devices with flash storage | |
| Pang et al. | PSA-Cache: A page-state-aware cache scheme for boosting 3D NAND flash performance | |
| Cheng et al. | Hercules: Intelligent coupling of dual-mode flash memory and hard disk drive |
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 |