CN116469442A - 芯片数据保持时间的预测方法、装置及存储介质 - Google Patents
芯片数据保持时间的预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116469442A CN116469442A CN202210289338.8A CN202210289338A CN116469442A CN 116469442 A CN116469442 A CN 116469442A CN 202210289338 A CN202210289338 A CN 202210289338A CN 116469442 A CN116469442 A CN 116469442A
- Authority
- CN
- China
- Prior art keywords
- chip
- retention time
- data retention
- data
- time
- 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
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims description 56
- 238000012795 verification Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 26
- 210000004027 cell Anatomy 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C16/00—Erasable programmable read-only memories
- G11C16/02—Erasable programmable read-only memories electrically programmable
- G11C16/06—Auxiliary circuits, e.g. for writing into memory
- G11C16/34—Determination of programming status, e.g. threshold voltage, overprogramming or underprogramming, retention
- G11C16/349—Arrangements for evaluating degradation, retention or wearout, e.g. by counting erase cycles
- G11C16/3495—Circuits or methods to detect or delay wearout of nonvolatile EPROM or EEPROM memory devices, e.g. by counting numbers of erase or reprogram cycles, by using multiple memory areas serially or cyclically
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
- G11C29/08—Functional testing, e.g. testing during refresh, power-on self testing [POST] or distributed testing
- G11C29/12—Built-in arrangements for testing, e.g. built-in self testing [BIST] or interconnection details
- G11C29/38—Response verification devices
- G11C29/42—Response verification devices using error correcting codes [ECC] or parity check
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
- G11C29/50—Marginal testing, e.g. race, voltage or current testing
- G11C29/50004—Marginal testing, e.g. race, voltage or current testing of threshold voltage
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
- G11C29/50—Marginal testing, e.g. race, voltage or current testing
- G11C2029/5004—Voltage
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
- G11C29/50—Marginal testing, e.g. race, voltage or current testing
- G11C2029/5006—Current
-
- 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
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种芯片数据保持时间的预测方法及装置、存储介质、终端，涉及芯片检测技术领域，主要目的在于解决现有芯片数据保持时间预测的不够准确的问题。包括：获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间；根据所述物理参数和标准参数计算与所述芯片对应的错误值；基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间。主要用于预测芯片数据保持时间。
Description
技术领域
本发明涉及芯片检测技术领域，特别是涉及一种芯片数据保持时间的预测方法、装置及存储介质。
背景技术
随着科学技术和数字时代的不断发展，非易失性半导体存储器技术支撑了数字消费电子市场的爆炸式增长，其中，闪存便是一种非易失性存储器，具有写入操作之后长时间内保持存储信息不变的能力，即数据保持能力。数据在保持过程中，电子的逐渐丢失会缓慢导致数据的读取失败，且在使用过程中经历大量的编程/擦除(Program/Erase，P/E)周期，会加速数据读取失败。通过预测闪存芯片的数据保持时间，可以让使用者在数据读取失败之前，将读出的数据重新写入闪存，避免数据丢失。
目前，现有对芯片数据保持时间进行预测时，通常是基于多次历史测量数据建立预测模型，并利用预测模型和芯片的错误数来预测芯片的总数据保持时间或已经经历的数据保持时间，进而对芯片剩余数据保持时间进行预判，也就是说，这种预测方式不能够反映出闪存芯片的当前状态，且只基于芯片的错误数进行预测，从而使得数据保持时间预测的不够准确。
发明内容
有鉴于此，本发明提供一种芯片数据保持时间的预测方法及装置、存储介质、终端，主要目的在于解决现有芯片数据保持时间预测方式不能够反映出闪存芯片的当前状态，且只基于芯片的错误数进行预测，从而使得数据保持时间预测的不够准确的问题。
依据本发明一个方面，提供了一种芯片数据保持时间的预测方法，包括：
获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间；
根据所述物理参数和标准参数计算与所述芯片对应的错误值；
基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间。
进一步地，所述芯片的物理参数至少包含有所述芯片的操作时间、操作电流、存储单元阈值电压分布状态中的一种或多种。
进一步地，所述获取芯片的物理参数包括：
获取所述芯片响应擦除操作和写数据操作时的操作时间和操作电流；
获取所述芯片响应读数据操作时的操作时间和操作电流；
采集所述芯片响应预设命令集时所述各个存储单元阈值电压分布状态。
进一步地，所述获取芯片的物理参数和第一数据保持时间之前，所述方法还包括：
按照预置时间间隔采集样本物理参数，并按照交叉验证算法将所述样本物理参数划分为训练集、验证集和测试集，所述样本物理参数具有相应的采集时间标识和芯片经历数据保持时间标识；
根据所述训练集对初始模型进行训练，并结合所述验证集和所述测试集对训练得到的模型进行验证，得到所述数据保持时间预测模型。
进一步地，所述按照预置时间间隔采集样本物理参数，并按照交叉验证算法将所述样本物理参数划分为训练集、验证集和测试集包括：
按照预置时间间隔采集样本物理参数，并将所述样本物理参数按照采集时间标识、所述芯片经历数据保持时间标识和物理参数属性进行标记，得到多个样本物理参数集；
根据预先设定的模型训练原则从所述多个样本物理参数集中提取入模数据，并将所述入模数据按照交叉验证算法划分为所述训练集、验证集合测试集。
进一步地，所述基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间包括：
当所述错误值为所述芯片的纠错码上限阈值时，则根据所述错误值并基于所述数据保持时间预测模型计算所述芯片的第三数据保持时间，所述第三数据保持时间为所述芯片的数据保持时间上限值；
将所述第三数据保持时间和所述第一数据保持时间之间的差值，确定为所述第二数据保持时间。
进一步地，所述方法还包括：
判断所述第二数据保持时间是否低于预设告警阈值；
若是，则输入数据保持时间告警信息。
依据本发明另一个方面，提供了一种芯片数据保持时间的预测装置，包括：
获取模块，用于获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间；
计算模块，用于根据所述物理参数和标准参数计算与所述芯片对应的错误值；
预测模块，用于基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间。
进一步地，所述芯片的物理参数至少包含有所述芯片的操作时间、操作电流、存储单元阈值电压分布状态中的一种或多种。
进一步地，所述获取模块，具体用于获取所述芯片响应擦除操作和写数据操作时的操作时间和操作电流；获取所述芯片响应读数据操作时的操作时间和操作电流；和采集所述芯片响应预设命令集时所述各个存储单元阈值电压分布状态。
进一步地，所述装置还包括：
采集模块，用于按照预置时间间隔采集样本物理参数；
划分模块，用于按照交叉验证算法将所述样本物理参数划分为训练集、验证集和测试集，所述样本物理参数具有相应的采集时间标识和芯片经历数据保持时间标识；
训练模块，用于根据所述训练集对初始模型进行训练，并结合所述验证集和所述测试集对训练得到的模型进行验证，得到所述数据保持时间预测模型。
进一步地，所述划分模块包括：
标记单元，用于将所述样本物理参数按照采集时间标识、所述芯片经历数据保持时间标识和物理参数属性进行标记，得到多个样本物理参数集；
提取单元，用于根据预先设定的模型训练原则从所述多个样本物理参数集中提取入模数据；
划分单元，用于将所述入模数据按照交叉验证算法划分为所述训练集、验证集合测试集。
进一步地，所述预测模块包括：
计算单元，用于当所述错误值为所述芯片的纠错码上限阈值时，则根据所述错误值并基于所述数据保持时间预测模型计算所述芯片的第三数据保持时间，所述第三数据保持时间为所述芯片的数据保持时间上限值；
确定单元，用于将所述第三数据保持时间和所述第一数据保持时间之间的差值，确定为所述第二数据保持时间。
进一步地，所述装置还包括：
判断模块，用于判断所述第二数据保持时间是否低于预设告警阈值；
输出模块，用于若所述第二数据保持时间低于预设告警阈值，则输出数据保持时间告警信息。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述芯片数据保持时间的预测方法对应的操作。
根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述芯片数据保持时间的预测方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种芯片数据保持时间的预测方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间，根据所述物理参数和标准参数计算与所述芯片对应的错误值，基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间，实现了通过闪存芯片的实时物理参数和错误值对芯片剩余保存时间的预测，能够考虑到芯片使用过程中电子等变化对芯片数据保持时间的影响，且是基于闪存芯片的物理参数和错误值等多维度数据进行预测的，从而使得芯片剩余数据保持时间预测的更加准确。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种芯片数据保持时间的预测方法流程图；
图2示出了本发明实施例提供的另一种芯片数据保持时间的预测方法流程图；
图3示出了本发明实施例提供的一种数据保持时间预测模型训练流程示意图；
图4示出了本发明实施例提供的一种芯片数据保持时间的预测装置组成框图；
图5示出了本发明实施例提供的另一种芯片数据保持时间的预测装置组成框图；
图6示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
针对现有芯片剩余数据保持时间预测方式不能够反映出闪存芯片的当前状态，且只基于芯片的错误数进行预测，从而使得数据保持时间预测的不够准确的问题，本发明实施例提供了一种芯片数据保持时间的预测方法，如图1所示，该方法包括：
101、获取芯片的物理参数和第一数据保持时间。
其中，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间。进一步地，物理参数可以为对芯片执行读写操作或者擦除操作时，芯片的编程时间、读取时间、擦除时间，还可以为芯片的块标识、页标识、阈值电压分布、芯片读取数据错误值等中的一种或多种。
需要说明的是，闪存芯片数据保持时间指的是闪存存储器在不施加任何偏压的情况下，器件随时间增加，保持存储信息丢失的时间。本步骤中的当前芯片经历的数据保持时间可以通过时间采集装置获取并记录。
102、根据所述物理参数和标准参数计算与所述芯片对应的错误值。
其中，错误值可以为芯片读取数据的错误数，也可以为错误率，本申请实施例对此不做具体限定。而标准参数可以为通过写操作写入芯片内的测试数据，通过将芯片读取的物理参数和写入的测试数据进行比较，便可以得到芯片数据处理的错误值。
103、基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间。
其中，所述第二数据保持时间为所述芯片剩余数据保持时间。
需要说明的是，物理参数可以包含上述参数中的一种或多种，当预测采用的物理参数不同时，对应的数据保持时间预测模型也不同。根据不同需求在训练模型时初始化配置模型参数，以得到与不同预测物理参数相对应的数据保持时间预测模型，如配置的初始化模型参数为人工神经网络算法的中止条件，函数系数的生成方式，函数运算符集合的组成以及输入输出变量的组成等。示例性的，将物理参数中的擦除时间、编程时间和第一数据保持时间以及错误值作为预测模型的输入参数，通过预先训练的相应的数据保持时间预测模型，便可以预测得到闪存芯片的剩余数据保持时间。
本发明提供了一种芯片数据保持时间的预测方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间，根据所述物理参数和标准参数计算与所述芯片对应的错误值，基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间，实现了通过闪存芯片的实时物理参数和错误值对芯片剩余保存时间的预测，能够考虑到芯片使用过程中电子等变化对芯片数据保持时间的影响，且是基于闪存芯片的物理参数和错误值等多维度数据进行预测的，从而使得芯片剩余数据保持时间预测的更加准确。
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具体实施过程，提供了另一种芯片数据保持时间的预测方法，如图2所示，该方法包括：
201、按照预置时间间隔采集样本物理参数，并按照交叉验证算法将所述样本物理参数划分为训练集、验证集和测试集。
其中，所述样本物理参数具有相应的采集时间标识和芯片经历数据保持时间标识，预置时间间隔可以按照不同的需求进行设定，还可以为0。
进一步地，所述芯片的物理参数至少包含有所述芯片的操作时间、操作电流、存储单元阈值电压分布状态中的一种或多种。需要说明的是，物理参数可以包含上述参数中的一种或多种，当预测采用的物理参数不同时，对应的数据保持时间预测模型也不同。根据不同需求在训练模型时初始化配置模型参数，以得到与不同预测物理参数相对应的数据保持时间预测模型。
在本申请实施例中，步骤201具体包括：按照预置时间间隔采集样本物理参数，并将所述样本物理参数按照采集时间标识、所述芯片经历数据保持时间标识和物理参数属性进行标记，得到多个样本物理参数集；根据预先设定的模型训练原则从所述多个样本物理参数集中提取入模数据，并将所述入模数据按照交叉验证算法划分为所述训练集、验证集合测试集。
其中，采集样本物理参数的实施方式可以为通过控制装置对闪存芯片执行擦除和写入数据操作，采集芯片各个页面的编程时间、编程时的电流并存储这些物理参数，而后通过控制器对芯片执行读数据操作，统计闪存芯片的存储单元阈值电压分布状态，以及采集读操作过程中芯片各个页面的读取时间、读操作时的电流，进一步的根据读取的数据和写入的测试数据进行比较计算错误值，同时记录闪存芯片当前经历的数据保持时间，将获取的全部物理参数、错误值、当前经历数据保持时间等数据进行保存。
由于采集数据中包含有数据采集时间标识、芯片当前经历数据保持时间标识、各个物理参数的属性等标签，因此可以通过各类标签对采集数据进行标记，以便按照标签获取数据，例如物理参数为读取时间属性的数据均可以通过标签“RT(Read Time)”进行标记，在同一芯片经历数据保持时间下的各物理参数和错误数等均可以通过标签“经历时间T”进行标记等，但不限于此。在本申请实施例中，通过对采集数据按照不同维度的标签进行标记、分类，使得当需要使用某一标签下的数据时可以根据数据标签查询并提取，确保了数据获取的效率和准确性，从而提升了芯片数据保持时间预测的效率和准确性。
进一步地，本实施例中的模型训练原则为与预测模型训练相关的，如人工神经网络算法的终止条件，函数关系的生成方式，函数运算符集合的组成以及输入输出变量的组成等。在进行预测模型训练之前可以通过初始化配置参数设定相应的模型训练原则，以使得根据物理参数中的一种或多种组合对初始神经网络模型进行训练，进而得到数据保持时间预测模型。实力性的，本实施例中的人工神经网络模型的终止条件为模型验证时在验证集上的准确率达到0.9及以上，函数系数为随机产生的常数，函数运算符集合为{‘+’,‘-’,‘*’,‘％’}，数据保持时间预测模型的输入为擦除时间、编程时间、当前数据保持时间及错误率，数据保持时间预测模型的输出为与擦除时间及错误率对应的闪存芯片的剩余数据保持时间。
202、根据所述训练集对初始模型进行训练，并结合所述验证集和所述测试集对训练得到的模型进行验证，得到所述数据保持时间预测模型。
初始化配置模型训练原则后，便可从物理参数集中提取相应的入模数据，并按照交叉验证法将入模数据划分为训练集、验证集和测试集，而后对初始化神经网络模型进行训练。示例性的，如图3所示，芯片数据保持时间预测模型训练流程为：
1)初始化初始神经网络模型，并令模型时间点Epoch＝1。本实施例中采用的初始神经网络模型为：激活函数为激活函数为sigmoid函数，隐藏层(hidden layer)数为100，连接权和阈值在(0,1)范围内随机初始化的前馈人工神经网络，其中，sigmoid函数的表达式为：
2)将入模数据采用交叉验证法(cross validation)划分为训练集、验证集合测试集，三者比例为60:15:25。
3)将训练集作为模型输入对初始神经网络模型进行训练，计算输出值和误差指标函数；
4)采用Levenberg-Marquart算法，调整神经元之间的连接权值和阈值；
5)将验证集输入到神经网络模型中计算误差指标函数，本申请实施例中的误差指标函数为均方误差(MSE)，其函数表达式为：
其中，n为训练样本总数，Yobs,i为实际值；Ymodel,i为人工神经输出值。
6)比较验证集误差指标函数和训练集误差指标函数，若验证集误差指标函数大于训练集误差指标函数，则返回步骤3)。
7)将测试集和训练集分别输入神经网络模型，计算误差指标函数，判断测试集误差指标函数与训练集误差指标函数是否满足要求，如二者误差小于0.1，当满足要求时则终止训练，否则判断时间点Epoch是否大于1000，若小于Epoch+1，返回步骤3)，若大于则终止训练。
203、获取芯片的物理参数和第一数据保持时间。
其中，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间。同样的，物理参数包含操作时间、操作电流、存储单元阈值电压分布状态中的一种或多种。
具体地，各物理参数的数据获取方式可以为：
操作时间：如芯片的变成时间和读取时间，可以通过闪存控制器对闪存芯片执行写入数据操作或读取数据操作，操作时间采集模块记录经过的时钟周期，在收到闪存芯片返回数据编程完成标识和/或读取完成标识后，停止记录时钟周期数，编程时间值为时钟周期数乘以编程时钟周期数。
操作电流：在对闪存芯片执行操作时，由电流采集模块采集闪存芯片的电流信号，通过AD模块将电流模型信号转换成数字信号，得到相应的操作电流。
存储单元阈值电压分布状态：闪存控制器向闪存芯片发送READ-RETRY命令集逐步改变闪存的读参考电压同时读出数据，阈值电压分布统计模块根据读数据值统计阈值电压分布。
204、根据所述物理参数和标准参数计算与所述芯片对应的错误值。
其中，错误值可以为芯片读取数据的错误数，也可以为错误率，本申请实施例对此不做具体限定。而标准参数可以为通过写操作写入芯片内的测试数据，通过将芯片读取的物理参数和写入的测试数据进行比较，便可以得到芯片数据处理的错误值。
205、基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间。
其中，所述第二数据保持时间为所述芯片剩余数据保持时间。
具体地，步骤205包括：当所述错误值为所述芯片的纠错码上限阈值时，则根据所述错误值并基于所述数据保持时间预测模型计算所述芯片的第三数据保持时间，所述第三数据保持时间为所述芯片的数据保持时间上限值；将所述第三数据保持时间和所述第一数据保持时间之间的差值，确定为所述第二数据保持时间。
需要说明的是，本申请提供的芯片数据保持时间预测的实施方式中，是基于物理参数中的一种或多种组合，和错误值以及芯片当前经历数据保持时间，对芯片剩余数据保持时间进行预测。当采用的物理参数不同时，所采用的预测模型不同，而通过在训练模型时初始化阶段对模型训练原则进行配置，可以确定入模特征数据，这与芯片剩余数据保持时间预测过程中所基于的物理参数是相对应的。
进一步地，本申请实施例还可以包括：判断所述第二数据保持时间是否低于预设告警阈值；若是，则输出数据保持时间告警信息。
其中，预设告警阈值可以根据不同的应用场景进行设定，而告警信息可以为文字信息、图像信息等，本申请实施例对此不做具体限定。当芯片剩余数据保持时间低于一定的阈值时输出告警信息，以便用户在接收到告警信息时可以及时对芯片内数据进行处理，避免数据丢失。
本发明提供了一种芯片数据保持时间的预测方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间，根据所述物理参数和标准参数计算与所述芯片对应的错误值，基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间，实现了通过闪存芯片的实时物理参数和错误值对芯片剩余保存时间的预测，能够考虑到芯片使用过程中电子等变化对芯片数据保持时间的影响，且是基于闪存芯片的物理参数和错误值等多维度数据进行预测的，从而使得芯片剩余数据保持时间预测的更加准确。
进一步的，作为对上述图1所示方法的实现，本申请实施例提供了一种芯片数据保持时间的预测装置，如图4所示，该装置包括：获取模块31、计算模块32、预测模块33。
获取模块31，用于获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间；
计算模块32，用于根据所述物理参数和标准参数计算与所述芯片对应的错误值；
预测模块33，用于基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间。
进一步地，如图5所示，所述芯片的物理参数至少包含有所述芯片的操作时间、操作电流、存储单元阈值电压分布状态中的一种或多种。
进一步地，如图5所示，所述获取模块31，具体用于获取所述芯片响应擦除操作和写数据操作时的操作时间和操作电流；获取所述芯片响应读数据操作时的操作时间和操作电流；和采集所述芯片响应预设命令集时所述各个存储单元阈值电压分布状态。
进一步地，如图5所示，所述装置还包括：
采集模块34，用于按照预置时间间隔采集样本物理参数；
划分模块35，用于按照交叉验证算法将所述样本物理参数划分为训练集、验证集和测试集，所述样本物理参数具有相应的采集时间标识和芯片经历数据保持时间标识；
训练模块36，用于根据所述训练集对初始模型进行训练，并结合所述验证集和所述测试集对训练得到的模型进行验证，得到所述数据保持时间预测模型。
进一步地，如图5所示，所述划分模35块包括：
标记单元351，用于将所述样本物理参数按照采集时间标识、所述芯片经历数据保持时间标识和物理参数属性进行标记，得到多个样本物理参数集；
提取单元352，用于根据预先设定的模型训练原则从所述多个样本物理参数集中提取入模数据；
划分单元353，用于将所述入模数据按照交叉验证算法划分为所述训练集、验证集和测试集。
进一步地，如图5所示，所述预测模块33包括：
计算单元331，用于当所述错误值为所述芯片的纠错码上限阈值时，则根据所述错误值并基于所述数据保持时间预测模型计算所述芯片的第三数据保持时间，所述第三数据保持时间为所述芯片的数据保持时间上限值；
确定单元332，用于将所述第三数据保持时间和所述第一数据保持时间之间的差值，确定为所述第二数据保持时间。
进一步地，如图5所示，所述装置还包括：
判断模块37，用于判断所述第二数据保持时间是否低于预设告警阈值；
输出模块38，用于若所述第二数据保持时间低于预设告警阈值，则输出数据保持时间告警信息。
本申请提供了一种芯片数据保持时间的预测方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间，根据所述物理参数和标准参数计算与所述芯片对应的错误值，基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间，实现了通过闪存芯片的实时物理参数和错误值对芯片剩余保存时间的预测，能够考虑到芯片使用过程中电子等变化对芯片数据保持时间的影响，且是基于闪存芯片的物理参数和错误值等多维度数据进行预测的，从而使得芯片剩余数据保持时间预测的更加准确。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的芯片数据保持时间的预测方法。
图6示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
如图6所示，该终端可以包括：处理器(processor)402、通信接口(CommunicationsInterface)404、存储器(memory)404、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402，用于执行程序410，具体可以执行上述芯片数据保持时间的预测方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作：
获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间；
根据所述物理参数和标准参数计算与所述芯片对应的错误值；
基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种芯片数据保持时间的预测方法，其特征在于，包括：
获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间；
根据所述物理参数和标准参数计算与所述芯片对应的错误值；
基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间。
2.根据权利要求1所述的方法，其特征在于，所述芯片的物理参数至少包含有所述芯片的操作时间、操作电流、存储单元阈值电压分布状态中的一种或多种。
3.根据权利要求2所述的方法，其特征在于，所述获取芯片的物理参数包括：
获取所述芯片响应擦除操作和写数据操作时的操作时间和操作电流；
获取所述芯片响应读数据操作时的操作时间和操作电流；
采集所述芯片响应预设命令集时所述各个存储单元阈值电压分布状态。
4.根据权利要求1或2所述的方法，其特征在于，所述获取芯片的物理参数和第一数据保持时间之前，所述方法还包括：
按照预置时间间隔采集样本物理参数，并按照交叉验证算法将所述样本物理参数划分为训练集、验证集和测试集，所述样本物理参数具有相应的采集时间标识和芯片经历数据保持时间标识；
根据所述训练集对初始模型进行训练，并结合所述验证集和所述测试集对训练得到的模型进行验证，得到所述数据保持时间预测模型。
5.根据权利要求4所述的方法，其特征在于，所述按照预置时间间隔采集样本物理参数，并按照交叉验证算法将所述样本物理参数划分为训练集、验证集和测试集包括：
按照预置时间间隔采集样本物理参数，并将所述样本物理参数按照采集时间标识、所述芯片经历数据保持时间标识和物理参数属性进行标记，得到多个样本物理参数集；
根据预先设定的模型训练原则从所述多个样本物理参数集中提取入模数据，并将所述入模数据按照交叉验证算法划分为所述训练集、验证集合测试集。
6.根据权利要求1所述的方法，其特征在于，所述基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间包括：
当所述错误值为所述芯片的纠错码上限阈值时，则根据所述错误值并基于所述数据保持时间预测模型计算所述芯片的第三数据保持时间，所述第三数据保持时间为所述芯片的数据保持时间上限值；
将所述第三数据保持时间和所述第一数据保持时间之间的差值，确定为所述第二数据保持时间。
7.根据权利要求1或6所述的方法，其特征在于，所述方法还包括：
判断所述第二数据保持时间是否低于预设告警阈值；
若是，则输出数据保持时间告警信息。
8.一种芯片数据保持时间的预测装置，其特征在于，包括：
获取模块，用于获取芯片的物理参数和第一数据保持时间，所述物理参数用于标识所述芯片当前运行状态，所述第一数据保持时间为当前芯片经历数据保持时间；
计算模块，用于根据所述物理参数和标准参数计算与所述芯片对应的错误值；
预测模块，用于基于预先训练的数据保持时间预测模型，根据所述物理参数、所述错误值和所述第一数据保持时间预测所述芯片的第二数据保持时间，所述第二数据保持时间为所述芯片剩余数据保持时间。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的芯片数据保持时间的预测方法对应的操作。
10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的芯片数据保持时间的预测方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210289338.8A CN116469442B (zh) | 2022-03-23 | 2022-03-23 | 芯片数据保持时间的预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210289338.8A CN116469442B (zh) | 2022-03-23 | 2022-03-23 | 芯片数据保持时间的预测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116469442A true CN116469442A (zh) | 2023-07-21 |
| CN116469442B CN116469442B (zh) | 2024-05-03 |
Family
ID=87179430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210289338.8A Active CN116469442B (zh) | 2022-03-23 | 2022-03-23 | 芯片数据保持时间的预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116469442B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060028875A1 (en) * | 2004-07-26 | 2006-02-09 | M-Systems Flash Disk Pioneers, Ltd. | Drift compensation in a flash memory |
| CN102403044A (zh) * | 2010-09-08 | 2012-04-04 | 北京大学 | 测试阻变随机访问存储器件的数据保持特性的方法 |
| US20130176784A1 (en) * | 2011-03-30 | 2013-07-11 | Stec, Inc. | Adjusting operating parameters for memory cells based on wordline address and cycle information |
| US20150052416A1 (en) * | 2013-08-16 | 2015-02-19 | Seagate Technology Llc | Determining Data Retention Time in a Solid-State Non-Volatile Memory |
| CN107526543A (zh) * | 2016-06-20 | 2017-12-29 | 三星电子株式会社 | 形性存储设备 |
| CN108777157A (zh) * | 2018-05-08 | 2018-11-09 | 南京邮电大学 | 基于深度神经网络预测mlc闪存电压阈值的自适应方法 |
| 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 |
| CN109947588A (zh) * | 2019-02-22 | 2019-06-28 | 哈尔滨工业大学 | 一种基于支持向量回归法的NAND Flash位错误率预测方法 |
| CN110347335A (zh) * | 2019-07-30 | 2019-10-18 | 河南文正电子数据处理有限公司 | 一种固态硬盘数据存储方法、装置 |
| US10564864B1 (en) * | 2018-10-04 | 2020-02-18 | Dell Products L.P. | Method for estimating data retention time in a solid state drive |
| CN111309544A (zh) * | 2020-02-11 | 2020-06-19 | 上海威固信息技术股份有限公司 | 一种读参考电压受多维因子影响的预测建模及施加方法 |
| CN111341362A (zh) * | 2018-12-18 | 2020-06-26 | 深圳市中兴微电子技术有限公司 | 一种译码方法及装置、存储介质 |
| US20200264952A1 (en) * | 2017-10-18 | 2020-08-20 | Commissariat a l'énergie atomique et aux énergies alternatives | Device and method for controlling the data refresh cycles in reprogrammable non-volatile memories |
| US20200279610A1 (en) * | 2019-03-01 | 2020-09-03 | Goke Taiwan Research Laboratory Ltd. | Method for Retaining Data |
-
2022
- 2022-03-23 CN CN202210289338.8A patent/CN116469442B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060028875A1 (en) * | 2004-07-26 | 2006-02-09 | M-Systems Flash Disk Pioneers, Ltd. | Drift compensation in a flash memory |
| CN102403044A (zh) * | 2010-09-08 | 2012-04-04 | 北京大学 | 测试阻变随机访问存储器件的数据保持特性的方法 |
| US20130176784A1 (en) * | 2011-03-30 | 2013-07-11 | Stec, Inc. | Adjusting operating parameters for memory cells based on wordline address and cycle information |
| US20150052416A1 (en) * | 2013-08-16 | 2015-02-19 | Seagate Technology Llc | Determining Data Retention Time in a Solid-State Non-Volatile Memory |
| CN107526543A (zh) * | 2016-06-20 | 2017-12-29 | 三星电子株式会社 | 形性存储设备 |
| US20200264952A1 (en) * | 2017-10-18 | 2020-08-20 | Commissariat a l'énergie atomique et aux énergies alternatives | Device and method for controlling the data refresh cycles in reprogrammable non-volatile memories |
| CN108777157A (zh) * | 2018-05-08 | 2018-11-09 | 南京邮电大学 | 基于深度神经网络预测mlc闪存电压阈值的自适应方法 |
| US10564864B1 (en) * | 2018-10-04 | 2020-02-18 | Dell Products L.P. | Method for estimating data retention time in a solid state drive |
| 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 |
| CN111341362A (zh) * | 2018-12-18 | 2020-06-26 | 深圳市中兴微电子技术有限公司 | 一种译码方法及装置、存储介质 |
| CN109947588A (zh) * | 2019-02-22 | 2019-06-28 | 哈尔滨工业大学 | 一种基于支持向量回归法的NAND Flash位错误率预测方法 |
| US20200279610A1 (en) * | 2019-03-01 | 2020-09-03 | Goke Taiwan Research Laboratory Ltd. | Method for Retaining Data |
| CN110347335A (zh) * | 2019-07-30 | 2019-10-18 | 河南文正电子数据处理有限公司 | 一种固态硬盘数据存储方法、装置 |
| CN111309544A (zh) * | 2020-02-11 | 2020-06-19 | 上海威固信息技术股份有限公司 | 一种读参考电压受多维因子影响的预测建模及施加方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116469442B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108766496B (zh) | 一种在线动态预测闪存芯片寿命的方法及装置 | |
| CN106897178B (zh) | 一种基于极限学习机的慢盘检测方法及系统 | |
| CN109817267B (zh) | 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 | |
| CN111125658B (zh) | 识别欺诈用户的方法、装置、服务器和存储介质 | |
| CN112232495B (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
| CN112000497B (zh) | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 | |
| CN106776095A (zh) | Ssd固态硬盘数据可靠性智能检测方法及检测装置 | |
| CN111078123B (zh) | 一种闪存块的磨损程度的评估方法及装置 | |
| CN107247636A (zh) | 一种固态硬盘中数据重建优化的方法及装置 | |
| CN108831517A (zh) | 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 | |
| US11734103B2 (en) | Behavior-driven die management on solid-state drives | |
| CN113257332A (zh) | 一种闪存的有效性预测方法、装置及存储介质 | |
| TWI606451B (zh) | 非揮發性記憶裝置及其控制方法 | |
| CN111258593A (zh) | 应用程序预测模型的建立方法、装置、存储介质及终端 | |
| CN112908391B (zh) | 一种基于数学模型的闪存分类方法及装置 | |
| CN116469442B (zh) | 芯片数据保持时间的预测方法、装置及存储介质 | |
| JP2020101948A (ja) | 行動認識システム及び行動認識方法 | |
| CN113282920A (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
| CN109815534B (zh) | 一种基于决策树算法的闪存寿命预测方法及系统 | |
| CN111949459A (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 | |
| CN114327266A (zh) | 一种存储装置的卡慢识别方法、装置、介质 | |
| CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
| CN112149833A (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
| CN112308225B (zh) | 训练神经网络的方法、装置及计算机可读存储介质 | |
| CN117214673B (zh) | 芯片的测试方法、装置、设备和存储介质 |
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 |