CN117573420A - 一种zns固态硬盘掉电数据保存方法 - Google Patents
一种zns固态硬盘掉电数据保存方法 Download PDFInfo
- Publication number
- CN117573420A CN117573420A CN202410060908.5A CN202410060908A CN117573420A CN 117573420 A CN117573420 A CN 117573420A CN 202410060908 A CN202410060908 A CN 202410060908A CN 117573420 A CN117573420 A CN 117573420A
- Authority
- CN
- China
- Prior art keywords
- data
- solid state
- power failure
- power
- state disk
- 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
- 239000007787 solid Substances 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013500 data storage Methods 0.000 title claims description 7
- 239000003990 capacitor Substances 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 230000003749 cleanliness Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract 1
- 238000013403 standard screening design Methods 0.000 description 24
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052715 tantalum Inorganic materials 0.000 description 1
- GUVRBAGPIYLISA-UHFFFAOYSA-N tantalum atom Chemical compound [Ta] GUVRBAGPIYLISA-UHFFFAOYSA-N 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
- G06F11/0727—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a storage system, e.g. in a DASD or network based storage system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0793—Remedial or corrective actions
-
- 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
- G06F3/0619—Improving the reliability of storage systems in relation to data integrity, e.g. data losses, bit errors
-
- 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
- G06F3/0638—Organizing or formatting or addressing of data
- G06F3/0644—Management of space entities, e.g. partitions, extents, pools
-
- 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
- G06F3/0653—Monitoring storage devices or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Techniques For Improving Reliability Of Storages (AREA)
Abstract
本发明提供一种ZNS固态硬盘异常掉电的数据保护方法，通过备电电容支撑所述ZNS固态硬盘在掉电时完成当前的读写操作，保障在掉电场景下数据的安全，通过对备电电容进行监测，同时启动硬盘的自主保护机制，并引入固态硬盘掉电预测方法，旨在提前做好掉电预防工作，解决ZNS固态硬盘发生异常掉电时对数据进行提前处理，避免读写不稳定，以及重要数据的丢失，保证固态硬盘在经历异常掉电场景后能正常启动和使用。
Description
技术领域
本发明涉及存储系统技术领域，尤其涉及一种ZNS固态硬盘掉电数据保护方法、装置、计算机及存储介质。
背景技术
固态硬盘在工作过程时需要主机为其供电，以维持SSD的正常读写操作，在一些场景中，可能存在没有提前通知或预警的情况下终止SSD的供电，即固态硬盘的异常掉电，如突然拔掉插口或主机掉电等，导致固态硬盘没有足够的时间和电量将主机传递的数据写入到非易失性存储单元，而导致该部分数据还在SSD的易失性存储单元中，最终导致主机的数据丢失，影响数据安全性。而现有技术中，通常SSD在掉电时，只有利用大容量的备电系统为SSD进行整盘供电，才能将易失性存储单元中的数据存储至非易失性存储单元，而该方法又需要为固态硬盘配置大容量的备电系统，这样一来导致固态硬盘存在成本高的问题。
目前，主流的SSD分为企业级和消费级硬盘，企业级硬盘一般都有一块电容用于SSD掉电时可以供电给SSD将数据完整的写下去；而消费级SSD则没有这块电容，上电后通过算法做异常上下电的处理，也有可能通过对NAND(一种非易失闪存技术存储器)、DRAM(Dynamic Random Access Memory，动态随机存取存储器)、SOC(系统级芯片)电压的监测来控制异常掉电后的行为。主流SSD采取的方案均是通过对NAND、DRAM、SOC电压的监测来判断是否是异常掉电，以及做必要的措施来限制SSD此时异常掉电时所要进行的危险操作。SSD异常掉电时，SSD还没有来得及收到主机的掉电通知时就被掉电；或者收到主机的掉电通知，但还没有来得及处理上面提到的那些事情，就被掉电。此时为防止异常掉电导致的数据丢失，通常会在SSD上加电容，SSD一旦检测到掉电，就让电容开始放电，然后把RAM中的数据刷到非易失性存储介质中，从而避免数据丢失。然而，现有技术中对异常掉电的场景，并没有做预测的处理，所以当异常掉电时固态硬盘的备电电容往往不能够提供足够的电量来维持足够的数据处理时间。
发明内容
为解决上述存在的技术问题，本发明提供了一种ZNS固态硬盘掉电数据保存方法，具体的，涉及ZNS固态硬盘备电电容管理办法、掉电预测方法、特殊区块数据保存、在ZNS固态硬盘遇到异常掉电之前提前预测，并提供掉电数据处理和掉电恢复处理。旨在解决ZNS固态硬盘发生异常掉电时对盘做数据处理，避免产生非易失性存储介质读写不稳定，以及数据集管理命令等重要数据的丢失，保证盘在经历异常掉电场景后能正常启动和使用。
具体的包括：
步骤S1通过电容支撑所述ZNS固态硬盘在掉电时完成当前的读写操作，保障在掉电场景下数据的安全；
步骤S2采用单独划分的特殊区块区域管理内部固件数据；
步骤S3每个Zone在运行时在易失性存储介质中维护一份关键数据，所述关键数据为当前操作的相关元数据，以确保在掉电后可以快速启动并从所述易失性存储介质中加载最新的元数据；
步骤S4引入掉电预测方法，通过对固态硬盘的掉电进行预测来确保掉电保护动作的完成，所述掉电预测方法包括通过训练后的神经网络模型和实时监测的数据进行预测，当预测到所述固态硬盘即将异常掉电时，触发掉电保护，同时启动硬盘的自主保护机制；
步骤S5在电源异常时，设备控制器硬件断开与系统总线的连接，内部时钟与系统总线时钟断开，进入自由运行状态，以有效保障所述ZNS固态硬盘在掉电时的稳定运行；
步骤S6设备控制器硬件利用设备内部时钟完成数据相关操作，对于存储设备，包括将设备缓存内的数据写入设备存储单元，并确保数据的一致性，填充有效数据至写入单元边界，并将填充后的所有数据写入到设备存储单元中，同时控制主控芯片的操作，确保主控芯片将易失性存储介质里的数据写入非易失性存储介质中，以避免重要数据的丢失。
进一步的，步骤S1中，所述电容的电量足以使硬盘在掉电时有足够的时间完成数据保存操作，同时特殊区块存储关键数据，确保掉电恢复时能够快速找到所述掉电前写入的最新的数据。
进一步的，步骤S2中的所述固态硬盘在掉电时，所述特殊区块存储关键的分区管理数据，所述分区管理数据至少包括LastPpa、VBM、SLBA中的一种或多种。
进一步的，步骤S4中的所述掉电预测方法具体为：
通过对所述固态硬盘的多个影响因子进行采集，采用LSTM-N模型，当所述模型预测到固态硬盘即将掉电时，触发掉电保护，同时启动硬盘的自主保护机制；具体的所述LSTM-N模型该模型由一系列基于时间序列的LSTM-n单元组成。
进一步的，所述的LSTM-N模型至少包括：每个LSTM-n单元由神经网络层、按位操作或逐点操作、向量传递及向量拼接等元素构成；所述每个LSTM-N单元的输入层中，包含了温湿度、洁净度、内存、CPU参数、带宽、通电时长、异常掉电次数、每次掉电时的电压、数据累计写入量、硬盘IO等神经元；隐藏层中包含了写入放大率、IOPS、坏块数、读写速度、P/E次数等神经元；输出层中的神经元则涵盖了使用寿命。
进一步的，所述备电电容还包括降压模块和升压模块，所述升压模块和降压模块协同工作。
进一步的，备电电容通过关闭所述降压模块和启用所述升压模块，利用外部电源对备电电容进行充电，并实时监测备电电容的电压状态，当电压上升至设定的第一电压时，关闭升压模块；在所述掉电预测方法预测到即将异常掉电的情况下，所述升压模块关闭，而所述降压模块启用，通过备电电容通过降压模块向固态硬盘供电。
进一步的，当正常工作时，主机实时监测到备电电容的电压下降至所述备电电容的放电下限值时，关闭降压模块，以防备电电容过度放电。
进一步的，本发明还提供一种计算机可读存储介质，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上述所述的ZNS固态硬盘掉电数据保存方法的步骤。
与现有技术相比，本发明具有以下技术效果：第一，通过对电容电压实时监测，维持备电电容的电量在一定安全范围，在避免电压过高的情况下，保证掉电时，备电电容的电量足以完成关键数据的保存；第二，引入异常掉电的预测方法，在预测到即将掉电的情况下，触发掉电保护，同时启动硬盘的自主保护机制；第三，通过掉电预测方法结合备电电容的管理办法和关键数据的备份，有效的保证了SSD正在读写的数据的安全性。
附图说明
图1为本发明ZNS SSD实施例一所示的功能结构示意图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。
实施例一
如图1所示，ZNS SSD包括若干分区，且每个分区的特殊block存储有关键数据，SSD还包括掉电预测模块、备电电容模块，其中备电电容模块包括升压模块和降压模块，下面详述各模块之间协同作用的方法。
首先通过备电电容支撑所述ZNS固态硬盘在掉电时完成当前的读写操作，保障在掉电场景下数据的安全。具体的，所述备电电容连接有升压模块和降压模块，二者协同工作，首先通过关闭降压模块和启用升压模块，利用外部电源对备电电容进行充电，监测备电电容的电压状态，当电压上升至设定的第一电压时，关闭升压模块。在外部电源异常的情况下，升压模块关闭，而降压模块启用，备电电容通过降压模块向负载供电，以确保在外部电源异常时能够维持对负载的稳定供电。此外，通过监测备电电容的电压，当电压下降至设定的阈值电压（通常是备电电容的放电下限值）时，关闭降压模块，以防备电电容过度放电。整个备电电容的管理方法通过合理配置升降压模块、备电电容以及比较器等组件，实现了对备电电容的有效管理和保护，确保SSD 在各种异常情况下能够稳定、有效地供电，从而提高数据完整性和系统运行的可靠性。通过该备电电容的管理办法，异常掉电时需要保护的数据大大减少到小于1MB ，因此异常掉电时需要的备电时间为4ms左右。本实施例中仅采用14颗1500uF的钽电容备电，即可提供30ms的备电时间，满足各种场景下的降额使用要求。
在本实施例，采用单独划分的特殊Block区域管理内部固件数据；ZNS固态硬盘的存储空间被划分为多个分区（Zone），每个分区管理一部分存储空间，一些特殊的区块（block）被预留以SLC（single level cell）的模式进行存储管理内部数据；这些block按照一定顺序使用，旧的无效的区块会被及时擦除，以确保有足够的区块可用，写入这些区块的数据通常包含有时间戳、LastPpa（上一物理位置地址）和VBM（valid bitmap）等元数据，而写入这些元数据使得在掉电恢复后可以快速找到最新的区块。
本实施例中，每个Zone在运行时在易失性存储介质中维护一份关键数据，所述关键数据为当前操作的相关数据，以确保在掉电后可以快速启动并从所述易失性存储介质中加载最新的元数据，所述关键数据包括时间戳、LastPpa（上一物理位置地址）或VBM（validbitmap）等元数据中的一种或多种；在处理主机的读写命令时，ZNS硬盘需要根据上述数据在zone的正确位置进行数据的写入或读取。
在SSD掉电时，则将这些关键数据从易失性位置拷贝存放到非易失性位置，以确保数据的安全性和完整性。
并且引入定时保存机制，以防止掉电异常处理未完成导致信息丢失，固件会定时将上述关键数据写入内部使用的block。这样，在掉电恢复时会有一个较新的数据基准，减少了数据恢复的时间。
此外，本实施例的固态硬盘掉电数据保护方法中还包括固态硬盘掉电预测方法，通过对所述固态硬盘的多个影响因子进行采集，采用LSTM-N模型。当所述模型预测到固态硬盘即将掉电时，触发掉电保护，同时启动硬盘的自主保护机制；具体的所述LSTM-N模型该模型由一系列基于时间序列的LSTM-n单元组成。每个LSTM-N单元由神经网络层、按位操作或逐点操作、向量传递及向量拼接等元素构成。此外，在LSTM-N单元的输入层中，包含了温湿度、洁净度、内存、CPU参数、带宽、通电时长、过往异常掉电次数、每次掉电时的电压、数据累计写入量、硬盘IO等神经元。隐藏层中包含了写入放大率、IOPS、坏块数、读写速度、P/E次数等神经元。而输出层中的神经元则涵盖了当前固态硬盘的掉电概率。
其中所述掉电预测模块用于将当前状态下服务器中的固态硬盘相关数据输入到构建好的LSTM-N模型中，以对当前状态下服务器中的固态硬盘进行异常掉电概率的预测。值得注意的是，在整个过程中，采用LSTM-N模型进行建模时可能需要对数据进行归一化处理，以确保各固态硬盘输入数据的范围在合理的区间内，提高训练的稳定性和性能。
其中LSTM-N具体的实现方法如下：
由一系列LSTM-N单元组成LSTM-N模型结构，每个包含神经网络层、按位操作或逐点操作、向量传递和向量拼接等元素。通过信号传递和连接形成整个模型的结构。LSTM-N相对于其他模型的特点：LSTM-N模型通过设置记忆单元及输入门、输出门和遗忘门三个控制门，实现对信息的选择，减轻记忆负担。与其他模型（如RNN模型）不同，LSTM-N模型能够选择性地记忆和遗忘信息。
具体的输入门的计算公式如下：
i
t
=σ(normalize(Wi•[h
t-1
,x
t
]+bi))
其中σ表示sigmoiod函数，bi表示偏置，ht-1表示上一时刻的输出值，Xt表示当前输入值，normalize表示归一化操作。
具体的，输出门计算公式如下：
Ot=σ(normalize(Wo•[h
t-1
,xt]+bo))；h
t
=O
t
•tanh(Ct)
其中Wo表示输出门的权重，bo表述输出门的偏置，Ot表示输出门的输出值，ht表示输出端的最终输出值。
具体的，遗忘门的计算公式如下：
f t =σ(normalize(Wf•[h t-1 ,x t ]+bf))；
其中Wf表示遗忘门的权重，bf表示遗忘门的偏置，ht-1表示上一时刻的输出值。
具体的，记忆单元的计算公式如下：
C
t
=f
t
•C
t-1
+i
t
•tanh(normalize(Wc•[h
t-1
,x
t
]+bc))
其中，Ct和Ct-1分别表示LSTM记忆单元在t时刻和t-1时刻的状态，ft表示遗忘门的输出，it表示输入门的输出，normalize表示归一化操作。
具体的，在一些实施例中，该神经网络层可以采用sigmoid函数作为激励函数，因为sigmoid函数的输出值为0~1，而tanh函数的输出值为-1~1，适应大多数场景下的特征分布。
在预测固态硬盘异常掉电的时候，LSTM模型可以通过门控制机制实现对时间序列信息的选择性记忆和遗忘来提高模型的有效性，而归一化的引入，则可以进一步减小各固态硬盘之间微小差异带来的预测结果影响。
在一些实施例中还可以进一步引入注意力机制的LSTM，或层级结构的LSTM，或者周期门激活机制的LSTM等。
当该模型预测到所述固态硬盘即将异常掉电时，触发掉电保护，同时启动硬盘的自主保护机制。
在主机电源异常时，设备控制器硬件断开与系统总线的连接，内部时钟与系统总线时钟断开，进入自由运行状态，以有效保障所述ZNS固态硬盘在掉电时的稳定运行；
设备控制器硬件利用设备内部时钟完成数据相关操作，对于存储设备，包括将设备缓存内的数据写入设备存储单元，并确保数据的一致性，填充有效数据至写入单元边界，并将填充后的所有数据写入到设备存储单元中，同时控制主控芯片的操作，确保主控芯片将易失性存储介质里的数据写入非易失性存储介质中，以避免数据的丢失。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
于本申请提供的实施例中，所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
借助于本发明实施例的上述技术方案，通过使用备电电容对SSD进行供电，同时结合掉电预测方法和特殊区块中分区关键数据备份方法，解决了现有技术中还没有专门针对ZNS SSD的掉电数据保护方案的问题，根据本发明实施例的技术方案实现简单，成本低廉，节能效果显著，在SSD异常掉电时，SSD正在读写的数据不会丢失。
尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。
Claims (9)
1.一种ZNS固态硬盘异常掉电的数据保存方法，其特征在于，至少包括以下步骤：
S1通过备电电容支撑所述ZNS固态硬盘在掉电时完成当前的读写操作，保障在掉电场景下数据的安全；
S2采用单独划分的特殊区块区域管理内部固件数据；
S3每个Zone在运行时在易失性存储介质中维护一份关键数据，所述关键数据为当前操作的相关元数据，以确保在掉电后可以快速启动并从所述易失性存储介质中加载最新的元数据；
S4引入掉电预测方法，通过对所述ZNS固态硬盘的掉电进行预测来确保掉电保护动作的完成，所述掉电预测方法包括通过训练后的神经网络模型和实时监测的数据对当前掉电情况进行预测，当预测到所述ZNS固态硬盘即将异常掉电时，触发掉电保护，同时启动硬盘的自主保护机制；
S5在电源异常时，设备控制器硬件断开与系统总线的连接，内部时钟与系统总线时钟断开，进入自由运行状态，以有效保障所述ZNS固态硬盘在掉电时的稳定运行；
S6设备控制器硬件利用设备内部时钟完成数据相关操作，对于存储设备，包括将设备缓存内的数据写入设备存储单元，并确保数据的一致性，填充有效数据至写入单元边界，并将填充后的所有数据写入到设备存储单元中，同时控制主控芯片的操作，确保主控芯片将易失性存储介质里的数据写入非易失性存储介质中，以避免重要数据的丢失。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，所述备电电容的电量足以使所述ZNS固态硬盘在掉电时有足够的时间完成数据保存操作，同时特殊区块存储关键数据，确保掉电恢复时能够快速找到所述掉电前写入的最新的数据。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2中的所述ZNS固态硬盘在掉电时，所述特殊区块存储关键的分区管理数据，所述分区管理数据至少包括LastPpa、VBM、SLBA中的一种或多种。
4.根据权利要求1所述的方法，其特征在于，所述步骤S4中的所述掉电预测方法具体为：
通过对所述固态硬盘的多个影响因子进行采集，采用LSTM-N模型，当所述模型预测到固态硬盘即将掉电时，触发掉电保护，同时启动硬盘的自主保护机制；具体的所述LSTM-N模型该模型由一系列基于时间序列的LSTM-n单元组成。
5.根据权利要求4所述的方法，其特征在于，所述的LSTM-N模型至少包括：每个LSTM-n单元由神经网络层、按位操作或逐点操作、向量传递及向量拼接等元素构成；所述每个LSTM-N单元的输入层中，包含了温湿度、洁净度、内存、CPU参数、带宽、通电时长、异常掉电次数、每次掉电时的电压、数据累计写入量、硬盘IO等神经元；隐藏层中包含了写入放大率、IOPS、坏块数、读写速度、P/E次数等神经元；输出层中的神经元则涵盖了使用寿命。
6.根据权利要求1所述的方法，其特征在于，所述电容还包括降压模块和升压模块，所述升压模块和降压模块协同工作。
7.根据权利要求6所述的方法，其特征在于，通过关闭所述降压模块和启用所述升压模块，利用外部电源对备电电容进行充电，并实时监测备电电容的电压状态，当电压上升至设定的第一电压时，关闭升压模块；在所述掉电预测方法预测到即将异常掉电的情况下，所述升压模块关闭，而所述降压模块启用，通过备电电容通过降压模块向ZNS固态硬盘供电。
8.根据权利要求7所述的方法，其特征在于，当实时监测到备电电容的电压下降至所述备电电容的放电下限值时，关闭降压模块，以防备电电容过度放电。
9.一种计算机可读存储介质，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如权利要求1～8任一项所述的ZNS固态硬盘掉电数据保存方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410060908.5A CN117573420B (zh) | 2024-01-16 | 一种zns固态硬盘掉电数据保存方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410060908.5A CN117573420B (zh) | 2024-01-16 | 一种zns固态硬盘掉电数据保存方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117573420A true CN117573420A (zh) | 2024-02-20 |
| CN117573420B CN117573420B (zh) | 2024-06-04 |
Family
ID=
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140181595A1 (en) * | 2012-12-20 | 2014-06-26 | Virtium Technology, Inc. | Estimating lifespan of solid-state drive using real usage model |
| CN104461947A (zh) * | 2014-11-21 | 2015-03-25 | 上海宝存信息科技有限公司 | 一种掉电保护方法及固态硬盘 |
| CN109062825A (zh) * | 2018-07-09 | 2018-12-21 | 深圳忆联信息系统有限公司 | 一种固态硬盘异常掉电的保护方法及装置 |
| CN110837683A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电力系统暂态稳定的预测模型的训练及预测方法、装置 |
| CN111968694A (zh) * | 2020-09-07 | 2020-11-20 | 湖南国科微电子股份有限公司 | 一种数据保护装置、存储设备及存储系统 |
| CN112446557A (zh) * | 2021-01-29 | 2021-03-05 | 北京蒙帕信创科技有限公司 | 一种基于深度学习的磁盘故障预测规避方法及系统 |
| WO2022227373A1 (zh) * | 2021-04-26 | 2022-11-03 | 华为技术有限公司 | 一种硬盘健康评估方法和存储设备 |
| WO2022237086A1 (zh) * | 2021-05-13 | 2022-11-17 | 华为技术有限公司 | 一种基于机器学习模型的控制方法和装置 |
| US20230214126A1 (en) * | 2021-12-30 | 2023-07-06 | Micron Technology, Inc. | Power down workload estimation |
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140181595A1 (en) * | 2012-12-20 | 2014-06-26 | Virtium Technology, Inc. | Estimating lifespan of solid-state drive using real usage model |
| CN104461947A (zh) * | 2014-11-21 | 2015-03-25 | 上海宝存信息科技有限公司 | 一种掉电保护方法及固态硬盘 |
| CN109062825A (zh) * | 2018-07-09 | 2018-12-21 | 深圳忆联信息系统有限公司 | 一种固态硬盘异常掉电的保护方法及装置 |
| CN110837683A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电力系统暂态稳定的预测模型的训练及预测方法、装置 |
| CN111968694A (zh) * | 2020-09-07 | 2020-11-20 | 湖南国科微电子股份有限公司 | 一种数据保护装置、存储设备及存储系统 |
| CN112446557A (zh) * | 2021-01-29 | 2021-03-05 | 北京蒙帕信创科技有限公司 | 一种基于深度学习的磁盘故障预测规避方法及系统 |
| WO2022227373A1 (zh) * | 2021-04-26 | 2022-11-03 | 华为技术有限公司 | 一种硬盘健康评估方法和存储设备 |
| WO2022237086A1 (zh) * | 2021-05-13 | 2022-11-17 | 华为技术有限公司 | 一种基于机器学习模型的控制方法和装置 |
| US20230214126A1 (en) * | 2021-12-30 | 2023-07-06 | Micron Technology, Inc. | Power down workload estimation |
Non-Patent Citations (1)
| Title |
|---|
| 邓玲;陕振;马连志;: "基于数据筛选的硬盘剩余使用寿命预测方法", 计算机工程与设计, no. 08, 16 August 2020 (2020-08-16), pages 160 - 166 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102563833B1 (ko) | 지능적 백업 커패시터 관리 | |
| US8468370B2 (en) | Systems, methods and devices for control of the operation of data storage devices using solid-state memory and monitoring energy used therein | |
| US10438669B2 (en) | Flash storage device with data integrity protection | |
| US9063864B2 (en) | Storing data in presistent hybrid memory | |
| US9250676B2 (en) | Power failure architecture and verification | |
| US8370720B2 (en) | Mass storage device and method for offline background scrubbing of solid-state memory devices | |
| USRE44009E1 (en) | Assessing energy requirements for a refreshed device | |
| US8566506B2 (en) | Tracking a lifetime of write operations to a non-volatile memory storage | |
| CN104571933A (zh) | 具固态储存元件的电子装置及其相关控制方法 | |
| US20150149806A1 (en) | Hard Power Fail Architecture | |
| CN103455449A (zh) | 非易失性存储介质访问方法、数据更新方法及设备 | |
| US20160011799A1 (en) | Solid state disk device | |
| CN117573420B (zh) | 一种zns固态硬盘掉电数据保存方法 | |
| CN117573420A (zh) | 一种zns固态硬盘掉电数据保存方法 | |
| US20150135008A1 (en) | Simulated Power Failure and Data Hardening | |
| US9891974B2 (en) | Memory system | |
| EP4125090B1 (en) | Storage device including protection circuit for secondary power source and method of controlling secondary power source | |
| CN116893929A (zh) | 从失灵模式恢复 | |
| CN107797946B (zh) | 一种车载存储装置 | |
| WO2015054073A1 (en) | Method of protecting data in a storage device, storage device and storage device system | |
| US20230062129A1 (en) | Memory sub-system data retention via refresh | |
| JP2004078963A (ja) | キャッシュメモリバックアップ装置 | |
| CN114895847A (zh) | 非易失性存储器、存储装置及非易失性存储器的操作方法 | |
| CN117931091B (zh) | 一种异常掉电处理方法、装置、设备、介质及产品 | |
| US20220335326A1 (en) | Battery learn cycle management |
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 |