CN115762617A - 一种基于神经网络模型的dram储存器性能预测方法和系统 - Google Patents
一种基于神经网络模型的dram储存器性能预测方法和系统 Download PDFInfo
- Publication number
- CN115762617A CN115762617A CN202211529939.8A CN202211529939A CN115762617A CN 115762617 A CN115762617 A CN 115762617A CN 202211529939 A CN202211529939 A CN 202211529939A CN 115762617 A CN115762617 A CN 115762617A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- dram storage
- network model
- dram
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 73
- 238000003062 neural network model Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 97
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000015556 catabolic process Effects 0.000 claims description 14
- 238000006731 degradation reaction Methods 0.000 claims description 14
- 230000007334 memory performance Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000011425 standardization method Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- 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
- Techniques For Improving Reliability Of Storages (AREA)
Abstract
本说明书实施例提供一种基于神经网络模型的DRAM储存器性能预测方法和系统，其中，所述方法包括：设定测试参数；根据测试参数对DRAM储存器的至少一部分进行测试，获取测试数据；对测试数据进行预处理，获取处理后的数据；基于处理后的数据，通过神经网络模型预测DRAM储存器的至少一部分的性能，得到性能数据，具有可以对DRAM储存器的性能进行预测，可以有效预防DRAM储存器发生失效或故障的优点。
Description
技术领域
本说明书涉及DRAM储存器领域，特别涉及一种基于神经网络模型的DRAM储存器性能预测方法和系统。
背景技术
DRAM(Dynamic Random Access Memory)是目前应用最广泛的存储介质之一，广泛应用于各类存储设备。DRAM断电停机就会丢失全部数据，大部分DRAM内存一旦投入使用就会一直处于运行状态。由于不便停机检测，一旦内部发生失效或故障就会丢失数据，对用户造成难以估量的影响，因此DRAM的出厂质量检测试验和使用后的性能预测变得非常重要。现有技术一般通过故障时信号灯提醒、电压监测等方法，得到DRAM储存器中失效或者故障单元之后，将这些单元进行隔离修复防止持续失效，但此时已经给用户造成了数据损失。
因此，需要提供一种基于神经网络模型的DRAM储存器性能预测方法和系统，用于对DRAM储存器的性能进行预测，可以有效预防DRAM储存器发生失效或故障。
发明内容
本说明书实施例之一提供一种基于神经网络模型的DRAM储存器性能预测方法，所述方法包括：设定测试参数；根据所述测试参数对所述DRAM储存器的至少一部分进行测试，获取测试数据；对所述测试参数及所述测试数据进行预处理，获取处理后的数据；基于处理后的数据，通过神经网络模型预测所述DRAM储存器的至少一部分的性能，得到性能数据。
在一些实施例中，所述DRAM储存器的厂家、所述DRAM储存器的工艺、所述DRAM储存器的型号、所述DRAM储存器的规格、测试算法、时序参数、运行工况及插拔次数。
在一些实施例中，所述对所述测试参数及所述测试数据进行预处理，获取处理后的数据，包括：对所述测试参数及所述测试数据进行归一化处理，获取所述处理后的数据。
在一些实施例中，所述对所述测试参数及所述测试数据进行归一化处理，获取所述处理后的数据，包括：基于min-max标准化方法或Z-score标准化方法对测试参数及测试数据进行归一化处理，获取所述处理后的数据。
在一些实施例中，所述DRAM储存器的至少一部分包括所述DRAM储存器的元格、所述DRAM储存器的模组或所述DRAM储存器。
在一些实施例中，所述方法还包括：在进行所述测试的过程中，对所述测试参数及所述测试数据进行可视化展示。
在一些实施例中，所述方法还包括：对所述神经网络模型预测的所述DRAM储存器的至少一部分的性能数据进行可视化展示。
在一些实施例中，所述性能数据至少包括综合性能退化曲线。
在一些实施例中，所述方法还包括：根据所述性能数据，对所述DRAM储存器进行分类。
在一些实施例中，所述方法还包括：根据所述综合性能退化曲线及阈值，确定所述DRAM储存器的使用寿命。
本说明书实施例之一提供一种基于神经网络模型的DRAM储存器性能预测系统，所述系统包括：信息输入模块，用于设定测试参数；信息采集模块，用于根据所述测试参数对所述DRAM储存器的至少一部分进行测试，获取测试数据；数据处理模块，用于对所述测试参数及所述测试数据进行预处理，获取处理后的数据；建模分析模块，用于基于处理后的数据，通过神经网络模型预测所述DRAM储存器的至少一部分的性能，得到性能数据。
在一些实施例中，所述系统还包括第一可视化展示模块，用于在进行所述测试的过程中，对所述测试参数及所述测试数据进行可视化展示。
在一些实施例中，所述系统还包括第二可视化展示模块，用于对所述神经网络模型预测的所述DRAM储存器的至少一部分的性能数据进行可视化展示。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的基于神经网络模型的DRAM储存器性能预测系统的模块图；
图2是根据本说明书一些实施例所示的基于神经网络模型的DRAM储存器性能预测方法的流程示意图；
图3是根据本说明书一些实施例所示的神经网络模型的示意图；
图4是根据本说明书一些实施例所示的综合性能退化曲线的示意图；
图5是根据本说明书一些实施例所示的将测试的DRAM储存器分为几个类别的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于神经网络模型的DRAM储存器性能预测系统的模块图，如图1所示，一种基于神经网络模型的DRAM储存器性能预测系统可以包括信息输入模块、信息采集模块、数据处理模块及建模分析模块。
信息输入模块可以用于设定测试参数。
信息采集模块可以用于根据测试参数对DRAM储存器的至少一部分进行测试，获取测试数据。
数据处理模块可以用于对测试数据进行预处理，获取处理后的数据。在一些实施例中，数据处理模块还可以用于对测试数据进行归一化处理，获取处理后的数据。
建模分析模块可以用于基于处理后的数据，通过神经网络模型预测DRAM储存器的至少一部分的性能，得到性能数据。
如图1所示，在一些实施例中，基于神经网络模型的DRAM储存器性能预测系统还包括第一可视化展示模块，用于在进行测试的过程中，对测试数据进行可视化展示。
如图1所示，在一些实施例中，基于神经网络模型的DRAM储存器性能预测系统还包括第二可视化展示模块，用于对神经网络模型预测的DRAM储存器的至少一部分的性能数据进行可视化展示。
关于信息输入模块、信息采集模块、数据处理模块、建模分析模块、第一可视化展示模块及第二可视化展示模块的更多描述可以参见图2及其相关描述，此处不再赘述。
图2是根据本说明书一些实施例所示的基于神经网络模型的DRAM储存器性能预测方法的流程示意图，如图2所示，基于神经网络模型的DRAM储存器性能预测方法可以包括以下步骤。在一些实施例中，基于神经网络模型的DRAM储存器性能预测方法可以由基于神经网络模型的DRAM储存器性能预测系统执行。
步骤210，设定测试参数。在一些实施例中，步骤210可以由信息输入模块执行。
在一些实施例中，测试参数至少包括：DRAM储存器的厂家M、DRAM储存器的工艺E、DRAM储存器的型号U、DRAM储存器的规格G、测试算法S、时序参数T、运行工况C及插拔次数N。其中，DRAM储存器的工艺可以包括内存芯片密封工艺，内存芯片密封工艺可以包括塑料封装、陶瓷封装，DRAM储存器的工艺还可以包括DRAM储存器的电路结构、DRAM储存器的电镀工艺、DRAM储存器使用的材料等；DRAM储存器的型号U是厂家定的，一种内存条一般对应一种型号，一般是一串英文字母+数字，例如，某个内存条编号为JCKJCCJF212022111101F，JCKJ是公司名称，CCJF是工厂名称，21产品工艺，20221111生产日期，01F内存条种类编号；DRAM储存器的规格G可以为DRAM储存器的内存大小，例如16G、32G、64G等；测试算法S可以包括不同测试数据模块、存入数据方式等。不同算法包含不同的数据字段和不同的数据读取方式；时序参数T可以细分出多个时间参数，包括预充电时间、写入恢复时间、行地址激活时间等，分别对应一次数据存取过程中不同步骤所用的时间，记为T＝{T1，T2，T3，……，Tn}，n＝1，2，3……；运行工况C可以包括内部状况和外界的环境因素，内部状况可能有腐蚀、内部电磁干扰等，外界的环境因素包括电压大小、电流稳定性、外部潮湿度、磁场等。
在一些实施例中，信息输入模块还可以根据测试时间控制测试设备的温度使之发生进行变化。
在一些实施例中，信息输入模块还可以将多个独立的测试参数进行融合形成新的测试参数。
步骤220，根据测试参数对DRAM储存器的至少一部分进行测试，获取测试数据。在一些实施例中，步骤220可以由信息采集模块执行。
在一些实施例中，DRAM储存器的至少一部分可以为DRAM储存器的元格(cell)、DRAM储存器的模组或DRAM储存器。
测试数据可以包括实时电压V、实时电流差I、实时温度A等。可以理解的，往DRAM储存器中写1次数据、读1次数据、连续写入数据、连续读取数据、预充电等，DRAM储存器在不同状态时电流不一样，改变DRAM储存器的状态会引起内部电流变化，这样就造成了DRAM储存器内部的电流差，例如，对于单个元格(cell)，当往该元格(cell)存入数据0，电流可能是2微安，再次往该元格(cell)存入数据1，电流可能是4微安，不停往该元格(cell)存入数据，电流可能是4微安。
步骤230，对测试参数及测试数据进行预处理，获取处理后的数据。在一些实施例中，步骤230可以由数据处理模块执行。
在一些实施例中，数据处理模块对测试参数及测试数据进行预处理，获取处理后的数据，可以包括：对测试参数及测试数据进行归一化处理，获取处理后的数据。例如，数据处理模块可以通过min-max标准化方法或Z-score标准化方法对测试参数及测试数据进行归一化处理，获取处理后的数据。
步骤240，基于处理后的数据，通过神经网络模型预测DRAM储存器的至少一部分的性能，得到性能数据。在一些实施例中，步骤240可以由建模分析模块执行。
图3是根据本说明书一些实施例所示的神经网络模型的示意图，如图3所示，神经网络模型可以包括输入层、隐藏层及输出层，其中，神经网络模型的输入层可以包括处理后的数据中的至少一部分(例如，预处理后的实时电压V、时序参数T、测试算法S、实时温度A及实时电流差I)，隐藏层可以设置任意层，每一层可以设置任意个数的节点(例如，图3所示的3层，每层包括6个节点)，隐藏层的每一个节点都包含2个函数，其中聚合函数将输入的数据进行聚合，然后将聚合结果传输给激活函数，激活函数将聚合结果进行标准化处理，形成一个新参数，再将新的参数传输到下一层；输出层可以设置任意个数的结果(例如，图3所示的性能H1和性能H2)。
在一些实施例中，若设置神经网络模型的输出层输出结果为一个连续型的DRAM储存器性能数据，则根据这些连续数据可以得到DRAM储存器的性能退化模型，例如，图4所示的综合性能退化曲线。
在一些实施例中，若设置神经网络模型的输出层输出结果为一个离散型的DRAM储存器性能数据，则可以根据这些离散数据，将测试的DRAM储存器分为几个类别，如图5所示的极高质量、较好质量、一般质量等。
在一些实施例中，神经网络模型可以预测出DRAM储存器在不同工作应力环境和运行时间下的综合性能退化曲线。根据综合性能退化曲线，可以进行DRAM储存器性能状况预测。若设定一个阈值(例如，图4所示的电荷保持能力H1退化到最能接受的最低值)，在DRAM储存器的性能即将到达该阈值时，提前进行DRAM储存器的替换或者修复，防止丢失数据造成损失，例如，DRAM储存器的电荷保持能力H1降低到电荷保持能力H1退化到最能接受的最低值时，DRAM储存器的使用寿命达到极限，可以对该DRAM储存器进行替换或者修复，防止丢失数据造成损失。
在一些实施例中，基于神经网络模型的DRAM储存器性能预测方法还可以包括：在进行测试的过程中，对测试参数及测试数据进行可视化展示。
在一些实施例中，基于神经网络模型的DRAM储存器性能预测方法还可以包括：对神经网络模型预测的DRAM储存器的至少一部分的性能数据进行可视化展示。
在一些实施例中，基于神经网络模型的DRAM储存器性能预测方法可以至少包括以下技术效果：
1、在DRAM储存器没出现故障之前就提前进行了试验筛选和建模预防，避免了给用户造成数据损失。同时试验可以发现工艺造成的易失效点，淘汰掉低质量的DRAM储存器，使DRAM储存器能够以优良的性能投入到使用环境中，并根据DRAM储存器使用时的环境应力参数，得到DRAM储存器的性能退化模型，有效预防DRAM发生失效或故障；
2、可以在测试后知道DRAM储存器的早期失效模式，得到每一款DRAM储存器在不同使用条件下的综合性能退化曲线，这也决定了其在不同使用条件下的寿命；
3、本神经网络模型使用范围，建模的最小单元可以时cell级(最小存储单元)，即得到cell级的性能退化曲线。最大单元模型可以是DRAM存储器系统级，得到整个DRAM存储器的性能退化曲线，建模单元也可以是颗粒级、模组级等，可以得到相信颗粒级、模组级的性能退化曲线。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (13)
1.一种基于神经网络模型的DRAM储存器性能预测方法，其特征在于，包括：
设定测试参数；
根据所述测试参数对所述DRAM储存器的至少一部分进行测试，获取测试数据；
对所述测试参数及所述测试数据进行预处理，获取处理后的数据；
基于处理后的数据，通过神经网络模型预测所述DRAM储存器的至少一部分的性能，得到性能数据。
2.根据权利要求1所述的基于神经网络模型的DRAM储存器性能预测方法，其特征在于，所述测试参数至少包括：所述DRAM储存器的厂家、所述DRAM储存器的工艺、所述DRAM储存器的型号、所述DRAM储存器的规格、测试算法、时序参数、运行工况及插拔次数。
3.根据权利要求1所述的基于神经网络模型的DRAM储存器性能预测方法，其特征在于，所述对所述测试参数及所述测试数据进行预处理，获取处理后的数据，包括：
对所述测试参数及所述测试数据进行归一化处理，获取所述处理后的数据。
4.根据权利要求1所述的基于神经网络模型的DRAM储存器性能预测方法，其特征在于，所述对所述测试参数及所述测试数据进行归一化处理，获取所述处理后的数据，包括：
基于min-max标准化方法或Z-score标准化方法对测试参数及测试数据进行归一化处理，获取所述处理后的数据。
5.根据权利要求1所述的基于神经网络模型的DRAM储存器性能预测方法，其特征在于，所述DRAM储存器的至少一部分包括所述DRAM储存器的元格、所述DRAM储存器的模组或所述DRAM储存器。
6.根据权利要求1-5任意一项所述的基于神经网络模型的DRAM储存器性能预测方法，其特征在于，所述方法还包括：
在进行所述测试的过程中，对所述测试参数及所述测试数据进行可视化展示。
7.根据权利要求1-5任意一项所述的基于神经网络模型的DRAM储存器性能预测方法，其特征在于，所述方法还包括：
对所述神经网络模型预测的所述DRAM储存器的至少一部分的性能数据进行可视化展示。
8.根据权利要求1-5任意一项所述的基于神经网络模型的DRAM储存器性能预测方法，其特征在于，所述性能数据至少包括综合性能退化曲线。
9.根据权利要求1-5任意一项所述的基于神经网络模型的DRAM储存器性能预测方法，其特征在于，还包括：
根据所述性能数据，对所述DRAM储存器进行分类。
10.根据权利要求8所述的基于神经网络模型的DRAM储存器性能预测方法，其特征在于，还包括：
根据所述综合性能退化曲线及阈值，确定所述DRAM储存器的使用寿命。
11.一种基于神经网络模型的DRAM储存器性能预测系统，其特征在于，包括：
信息输入模块，用于设定测试参数；
信息采集模块，用于根据所述测试参数对所述DRAM储存器的至少一部分进行测试，获取测试数据；
数据处理模块，用于对所述测试参数及所述测试数据进行预处理，获取处理后的数据；
建模分析模块，用于基于处理后的数据，通过神经网络模型预测所述DRAM储存器的至少一部分的性能，得到性能数据。
12.根据权利要求11所述的基于神经网络模型的DRAM储存器性能预测系统，其特征在于，所述系统还包括第一可视化展示模块，用于在进行所述测试的过程中，对所述测试参数及所述测试数据进行可视化展示。
13.根据权利要求11或12所述的基于神经网络模型的DRAM储存器性能预测系统，其特征在于，所述系统还包括第二可视化展示模块，用于对所述神经网络模型预测的所述DRAM储存器的至少一部分的性能数据进行可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211529939.8A CN115762617A (zh) | 2022-11-30 | 2022-11-30 | 一种基于神经网络模型的dram储存器性能预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211529939.8A CN115762617A (zh) | 2022-11-30 | 2022-11-30 | 一种基于神经网络模型的dram储存器性能预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115762617A true CN115762617A (zh) | 2023-03-07 |
Family
ID=85342164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211529939.8A Pending CN115762617A (zh) | 2022-11-30 | 2022-11-30 | 一种基于神经网络模型的dram储存器性能预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115762617A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW504692B (en) * | 2001-04-20 | 2002-10-01 | Geneticware Co Ltd | Method and architecture for DRAM defect management and status display |
| US20040093539A1 (en) * | 2002-11-11 | 2004-05-13 | International Business Machines Corporation | Method for testing embedded DRAM arrays |
| US20090316501A1 (en) * | 2008-06-18 | 2009-12-24 | Micron Technology, Inc. | Memory malfunction prediction system and method |
| CN109637576A (zh) * | 2018-12-17 | 2019-04-16 | 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 |
| CN111966569A (zh) * | 2019-05-20 | 2020-11-20 | 中国电信股份有限公司 | 硬盘健康度评估方法和装置、计算机可读存储介质 |
| CN112084717A (zh) * | 2020-09-15 | 2020-12-15 | 复旦大学 | 紫外发光二极管性能退化预测模型构建及寿命预测方法 |
| CN112331256A (zh) * | 2020-11-13 | 2021-02-05 | 深圳佰维存储科技股份有限公司 | Dram测试方法、装置、可读存储介质及电子设备 |
| CN113488100A (zh) * | 2021-05-21 | 2021-10-08 | 深圳佰维存储科技股份有限公司 | Dram测试方法、装置、计算机可读存储介质及电子设备 |
| CN113867633A (zh) * | 2021-09-24 | 2021-12-31 | 中科院成都信息技术股份有限公司 | 基于dram与nvm的异构混合内存数据处理方法、系统及存储介质 |
| CN114913910A (zh) * | 2022-04-07 | 2022-08-16 | 上海格易电子有限公司 | Dram电路的测试方法及系统 |
| WO2022239935A1 (ko) * | 2020-09-18 | 2022-11-17 | 한양대학교 에리카산학협력단 | 행 해머링을 이용한 dram의 성능 분석 방법 및 오류 검출 방법 |
-
2022
- 2022-11-30 CN CN202211529939.8A patent/CN115762617A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW504692B (en) * | 2001-04-20 | 2002-10-01 | Geneticware Co Ltd | Method and architecture for DRAM defect management and status display |
| US20040093539A1 (en) * | 2002-11-11 | 2004-05-13 | International Business Machines Corporation | Method for testing embedded DRAM arrays |
| US20090316501A1 (en) * | 2008-06-18 | 2009-12-24 | Micron Technology, Inc. | Memory malfunction prediction system and method |
| CN109637576A (zh) * | 2018-12-17 | 2019-04-16 | 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 |
| CN111966569A (zh) * | 2019-05-20 | 2020-11-20 | 中国电信股份有限公司 | 硬盘健康度评估方法和装置、计算机可读存储介质 |
| CN112084717A (zh) * | 2020-09-15 | 2020-12-15 | 复旦大学 | 紫外发光二极管性能退化预测模型构建及寿命预测方法 |
| WO2022239935A1 (ko) * | 2020-09-18 | 2022-11-17 | 한양대학교 에리카산학협력단 | 행 해머링을 이용한 dram의 성능 분석 방법 및 오류 검출 방법 |
| CN112331256A (zh) * | 2020-11-13 | 2021-02-05 | 深圳佰维存储科技股份有限公司 | Dram测试方法、装置、可读存储介质及电子设备 |
| CN113488100A (zh) * | 2021-05-21 | 2021-10-08 | 深圳佰维存储科技股份有限公司 | Dram测试方法、装置、计算机可读存储介质及电子设备 |
| CN113867633A (zh) * | 2021-09-24 | 2021-12-31 | 中科院成都信息技术股份有限公司 | 基于dram与nvm的异构混合内存数据处理方法、系统及存储介质 |
| CN114913910A (zh) * | 2022-04-07 | 2022-08-16 | 上海格易电子有限公司 | Dram电路的测试方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| US7912669B2 (en) | Prognosis of faults in electronic circuits | |
| US8010310B2 (en) | Method and apparatus for identifying outliers following burn-in testing | |
| CN111291783A (zh) | 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 | |
| Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
| CN112115009B (zh) | 一种用于神经网络处理器的故障检测方法 | |
| Schanstra et al. | Industrial evaluation of stress combinations for march tests applied to SRAMs | |
| CN111949459B (zh) | 一种基于迁移学习和主动学习的硬盘故障预测方法及系统 | |
| CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
| CN114266284A (zh) | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 | |
| CN115762617A (zh) | 一种基于神经网络模型的dram储存器性能预测方法和系统 | |
| CN113740693A (zh) | 器件性能测试方法、装置、存储介质和电子设备 | |
| JP7322962B2 (ja) | 生成方法、生成プログラムおよび情報処理装置 | |
| CN113835016B (zh) | Ddr芯片极限性能测试方法、测试装置、设备及存储介质 | |
| KR20020079901A (ko) | 반도체 결함의 효율적 분석 방법 | |
| Lepejian et al. | An automated failure analysis (AFA) methodology for repeated structures | |
| Liu et al. | Early stage white etching crack identification using artificial neural networks | |
| Variyam | Increasing the IDDQ test resolution using current prediction | |
| Li et al. | Fusing system configuration information for building cooling plant Fault Detection and severity level identification | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| Cremona et al. | Supervised learning algorithms for damage detection and long term bridge monitoring | |
| US6476631B1 (en) | Defect screening using delta VDD | |
| Balachandran et al. | Improvement of SRAM-based failure analysis using calibrated Iddq testing | |
| Tran et al. | No trouble found (NTF) customer return analysis | |
| CN113656238B (zh) | 一种智能终端的ai工业应用能力测试方法和系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Jiang Honghu Inventor after: Zeng Xiangwei Inventor after: Zao Huili Inventor after: Liu Shizhu Inventor before: Jiang Honghu Inventor before: Zeng Xiangwei Inventor before: Zao Huili Inventor before: Liu Shizhu Inventor before: Zhao Chunhui |