CN117850690A - Rrt参数的更新方法、设备及可读存储介质 - Google Patents

Rrt参数的更新方法、设备及可读存储介质 Download PDF

Info

Publication number
CN117850690A
CN117850690A CN202311838281.3A CN202311838281A CN117850690A CN 117850690 A CN117850690 A CN 117850690A CN 202311838281 A CN202311838281 A CN 202311838281A CN 117850690 A CN117850690 A CN 117850690A
Authority
CN
China
Prior art keywords
rrt
parameters
storage device
data
updating
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
CN202311838281.3A
Other languages
English (en)
Inventor
林寅
吴大畏
李晓强
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.)
Deyi Microelectronics Co ltd
Original Assignee
Deyi Microelectronics 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 Deyi Microelectronics Co ltd filed Critical Deyi Microelectronics Co ltd
Priority to CN202311838281.3A priority Critical patent/CN117850690A/zh
Publication of CN117850690A publication Critical patent/CN117850690A/zh
Pending legal-status Critical Current

Links

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
    • G06F3/0629—Configuration or reconfiguration of storage systems
    • 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
    • G06F3/064—Management of blocks
    • 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]

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)
  • Debugging And Monitoring (AREA)

Abstract

本申请公开了一种RRT参数的更新方法、设备及可读存储介质，属于数据处理技术领域。本申请通过监测到读取性能指标超过预设阈值，基于当前配置的RRT参数读取用户数据；获取与所述当前配置的RRT参数关联的预训练的出错预测模型，所述出错预测模型用于预测最优RRT参数；输入所述用户数据至所述出错预测模型，其中，所述出错预测模型基于所述用户数据进行再学习，并输出目标RRT参数；获取所述目标RRT参数，并根据所述目标RRT参数更新所述存储装置的配置。能够在存储设备的读取性能下降到阈值时，根据实际读取到的用户数据，实时更新能够实现最佳的读取性能的RRT参数，以提高存储设备的寿命。

Description

RRT参数的更新方法、设备及可读存储介质
技术领域
本申请涉及数据处理技术领域，尤其涉及RRT参数的更新方法、设备及可读存储介质。
背景技术
厂商生产出的固态存储装置的RRT(read retry table，读取重试表)参数都是固定的，这个固定的RRT参数跟厂家生产时的预估的出错趋势和出错类型有关。
但是，固态存储装置被实际使用过程中出现的错误，不可能和预估出现的错误完全相同，因此，出厂时固定的RRT参数难以完全贴合实际应用场景。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种RRT参数的更新方法、设备及可读存储介质，旨在解决出厂时固定的RRT参数难以完全贴合实际应用场景，来做到最小化SSD读数出错率的技术问题。
为实现上述目的，本申请提供一种RRT参数的更新方法，所述RRT参数的更新方法包括以下步骤：
监测到读取性能指标超过预设阈值，基于当前配置的RRT参数读取用户数据；
获取与所述当前配置的RRT参数关联的预训练的出错预测模型，所述出错预测模型用于预测最优RRT参数；
输入所述用户数据至所述出错预测模型，其中，所述出错预测模型基于所述用户数据进行再学习，并输出目标RRT参数；
获取所述目标RRT参数，并根据所述目标RRT参数更新所述存储装置的配置。
可选地，所述监测到读取性能指标超过预设阈值的步骤之后，还包括：
获取存储装置的环境数据和/或主机操作数据；
所述输入所述用户数据至所述出错预测模型的步骤之后包括：
输出所述环境数据和/或所述主机操作数据至所述出错预测模型，其中，所述出错预测模型基于所述用户数据、所述环境数据和/或所述主机操作数据，输出目标RRT参数。
可选地，所述监测到读取性能指标超过预设阈值，基于当前配置的RRT参数读取用户数据的步骤包括：
监测到读取性能指标超过预设阈值，基于当前配置的RRT参数以及预存储的RRT组表预读取到待选用户数据；
选定读取错误率最低的所述待选用户数据为用户数据；
根据所述用户数据关联的RRT参数更新所述存储装置的配置。
可选地，所述基于当前配置的RRT参数读取用户数据的步骤之前包括：
获取存储装置的环境数据和/或主机操作数据；
根据所述环境数据和/或所述主机操作数据，确定所述存储设备的实际应用场景；
检测到所述实际应用场景与当前配置的RRT参数关联的应用场景不匹配，则基于预存储的RRT组表，确定所述实际应用场景的关联RRT参数，并根据所述关联RRT参数更新所述存储装置的配置。
可选地，所述监测到读取性能指标超过预设阈值的步骤之前包括：
获取所述存储装置闪存颗粒的待测电压分布数据，所述待测电压分布数据是所述存储装置出厂前的电压分布数据；
将所述待测电压分布数据输入预先训练的出错预测模型，其中，所述出错预测模型包括至少一个子模型，不同子模型对应不同的测试条件；
获取所述出错预测模型中各个所述子模型输出的预测电压分布数据，并基于各个所述子模型的预测电压分布数据，确定各个所述子模型关联的RRT参数；
将各个所述子模型和各个所述子模型关联的RRT参数存储至所述存储装置的存储空间。
可选地，所述将所述待测电压分布数据输入预先训练的出错预测模型，其中，所述出错预测模型包括至少一个子模型，不同子模型对应不同的测试条件的步骤之前包括：
获取预设数量的存储装置样片，以及所述存储装置样片闪存颗粒的初始电压分布数据；
根据各个所述测试条件，分别对所述存储装置样片闪存颗粒进行测试；
在各个测试过程中，基于预设间隔提取所述存储装置样片闪存颗粒的实际电压分布数据；
基于所述初始电压分布数据和所述实际电压分布数据，训练得到各个所述测试条件对应的子模型。
可选地，所述获取所述出错预测模型中各个所述子模型输出的预测电压分布数据，并基于各个所述子模型的预测电压分布数据，确定各个所述子模型关联的RRT参数的步骤之后包括：
接收到所述存储装置的RRT参数配置指令，获取所述存储装置的关联订单号；
拉取所述关联订单号的订单内容，并根据所述订单内容确定所述存储装置的待应用场景；
根据预设场景-测试条件映射表，确定所述待应用场景的关联子模型；
获取所述关联子模型关联的RRT参数，并根据所述关联子模型关联的RRT参数更新所述存储装置的配置。
此外，为实现上述目的，本申请还提供一种RRT参数的更新设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的RRT参数的更新程序，所述RRT参数的更新程序配置为实现上述的RRT参数的更新方法的步骤。
此外，为实现上述目的，本申请还提供一种可读存储介质，所述可读存储介质上存储有RRT参数的更新程序，所述RRT参数的更新程序被处理器执行时实现上述的RRT参数的更新方法的步骤。
在本申请中，为了解决出厂时固定的RRT参数难以完全贴合实际应用场景，来做到最小化SSD读数出错率的技术问题，本申请通过监测到读取性能指标超过预设阈值，基于当前配置的RRT参数读取用户数据；获取与所述当前配置的RRT参数关联的预训练的出错预测模型，所述出错预测模型用于预测最优RRT参数；输入所述用户数据至所述出错预测模型，其中，所述出错预测模型基于所述用户数据进行再学习，并输出目标RRT参数；获取所述目标RRT参数，并根据所述目标RRT参数更新所述存储装置的配置。能够在存储设备的读取性能下降到阈值时，根据实际读取到的用户数据，实时更新能够实现最佳的读取性能的RRT参数，以提高存储设备的寿命。
附图说明
图1为本申请RRT参数的更新方法第一实施例的流程示意图；
图2为本申请RRT参数的更新方法第一实施例的RRT组表示意图；
图3为本申请RRT参数的更新方法第二实施例的流程示意图；
图4为本申请RRT参数的更新方法第二实施例中各种类型的闪存颗粒存储单元二进制表；
图5为本申请RRT参数的更新方法第二实施例中SLC、MLC和TLC的电压分布示意图；
图6为本申请RRT参数的更新方法第二实施例中模型训练方法的流程示意图；
图7为本申请实施例方案涉及的硬件运行环境的RRT参数的更新设备的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
厂商生产出的固态存储装置的RRT(read retry table，读取重试表)参数都是固定的，这个固定的RRT参数跟厂家生产时的预估的出错数据有关。但是，固态存储装置被实际使用过程中出现的错误，不可能和预估出现的错误完全相同，因此，出厂时固定的RRT参数难以完全贴合实际应用场景，来做到最小化SSD读数出错率。
为了解决上述问题，本申请的固态存储装置在实际使用过程中，能够在监测到读取性能指标超过预设阈值时，基于当前配置的RRT参数读取用户数据；获取与所述当前配置的RRT参数关联的预训练的出错预测模型，所述出错预测模型用于预测最优RRT参数；输入所述用户数据至所述出错预测模型，其中，所述出错预测模型基于所述用户数据进行再学习，并输出目标RRT参数；获取所述目标RRT参数，并根据所述目标RRT参数更新所述存储装置的配置。能够在存储设备的读取性能下降到阈值时，根据实际读取到的用户数据，实时更新能够实现最佳的读取性能的RRT参数，以提高存储设备的寿命。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请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申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
本申请实施例提供了一种RRT参数的更新方法，参照图1，图1为本申请一种RRT参数的更新方法第一实施例的流程示意图。
本实施例中，所述RRT参数的更新方法包括：
步骤S10：监测到读取性能指标超过预设阈值，基于当前配置的RRT参数读取用户数据；
步骤S20：获取与所述当前配置的RRT参数关联的预训练的出错预测模型，所述出错预测模型用于预测最优RRT参数；
本申请应用于固态存储装置，包括控制器和由NAND闪存颗粒构成的存储空间。其中，所述NAND闪存颗粒根据每个存储单元内存储比特个数的不同，可以分为SLC(Single-Level Cell，单层存储单元)颗粒、MLC(Multi-Level Cell，双层存储单元)颗粒、TLC(Trinary-Level Cell，三层存储单元)颗粒和QLC(Quad-Level Cell，四层存储单元)颗粒，被广泛应用于包括但不限于固态硬盘(SSD，Solid State Drive)、SD卡(Secure DigitalMemory card，安全存储卡)和U盘之中。在本实施例中，NAND闪存颗粒构成的存储空间中，存储有出厂前训练好的出错预测模型，所述出错预测模型用于预测在预设测试条件下的RRT参数。当监测到读取性能指标超过预设阈值，基于当前配置的RRT参数进行左偏移和右偏移若干次，分别读取存储装置内存储的所有用户数据，得到用户数据的分布情况，以用于根据实际读取的分布情况优化当前配置的RRT参数关联的出错预测模型。
读取重试表(RRT)通常用于应用于各种存储装置，它记录了存储设备中每个扇区或页的读取重试次数。通过配置RRT，存储系统可以优先读取出错率最小的用户数据，从而提高数据的可靠性和读取性能。一旦数据读取出错，存储设备会使用ECC(ErrorCorrection Code)或LDPC(Low Density Parity Check Code，低密度奇偶校验码)等纠错机制对读取的用户数据进行纠错。ECC是一种通过添加冗余校验码来检测和纠正数据传输错误的技术，而LDPC是一种更为复杂的纠错码技术，通过在编码过程中引入低密度奇偶校验矩阵来提供更高的纠错能力。
作为一种监测读取性能指标的实施方式，所述读取性能指标为ECC或LDPC纠错机制的纠错量，根据存储装置读取用户数据时的纠错量来监测存储装置的读取性能。所述预设阈值为接近但是不超出纠错机制最大纠错量的自定义值。例如，LDPC最大可纠错100比特，预设阈值为80比特。
作为另一种监测读取性能指标的实施方式，所述读取性能指标为读取错误率。利用内置在固态硬盘中的SMART(Self-Monitoring，Analysis，and Reporting Technology)监控技术，来监测硬盘的各种参数，包括读取错误率、擦除计数、温度等。
作为另一种监测读取性能指标的实施方式，所述读取性能指标为读取错误率。通过监测存储装置在日志中记录的读取错误率等关键参数的历史数据，来检查是否存在读取错误率超过阈值的情况。
作为另一种监测读取性能指标的实施方式，所述读取性能指标为擦除计数。由于反复写入和擦除数据会对存储颗粒的存储性能产生不良影响，因此本实施方式通过监测到擦除计数超过预设阈值，来处触发RRT更新机制。
作为另一种监测读取性能指标的实施方式，所述读取性能指标为使用寿命，所述使用寿命为硬盘运行的时间。由于硬盘使用的时间越长，出错的概率越大，本实施方式通过监测到使用寿命超过预设阈值，来处触发RRT更新机制。
作为一种读取用户数据的实施方式，在存储空间中只预存有一组RRT参数与其对应的出错预测模型。在此情形下，作为一种确定该RRT参数与出错预测模型的实施方式，根据存储需求确定测试条件，并根据该测试条件对抽取的预设数量的存储装置硬片进行测试，以获得该存储装置硬片在测试过程中的实际电压分布数据，通过令初始神经网络模型学习存储装置硬片的实际电压分布数据的变化趋势，训练得到能够预测其它存储装置的预测电压分布数据的出错预测模型。
作为另一种确定该RRT参数与出错预测模型的实施方式，所述出错预测模型包括了存储装置的存储装置型号所能够支持的所有应用场景对应的子模型，每个子模型对应一种应用场景下的测试条件。根据存储装置的存储需求，确定进行预测的子模型。例如，出错预测模型中包括低温子模型、读干扰子模型和湿度子模型。存储需求为湿度环境，因此筛选得到与湿度环境对应的湿度子模型。将初始电压分布数据输入与所述测试需求匹配的子模型，其中，所述与所述存储证匹配的子模型基于所述初始电压分布数据，输出所述存储装置闪存颗粒的待配置RRT参数。将该子模型与该待配置RRT参数存储至存储空间。
作为一种确定存储需求的实施方式，接收RRT参数的确定指令，查询本批次确定RRT参数的存储装置的关联订单号，拉取所述关联订单号的订单内容，根据所述订单内容查询本批次存储装置的待应用场景，若订单内容中注明了待应用场景，如播放器，则根据预设场景-存储需求映射表确定对应的存储需求。若订单内容中未注明待应用场景或存储需求，则查询订单关联的甲方客户的历史订单，根据历史订单确定备选应用场景，将所述备选应用场景推送给本次RRT参数的确定指令的发送端。
作为另一种确定测试需求的可选方案，由发送本次RRT参数的确定指令的工程师自定义存储需求。
本实施例中所指的测试条件，是存储设备在实际应用里面能够接触到物理场景中，能够对存储设备产生老化影响的影响因素，例如湿度，磁场干扰、电压波动、高低温和光照等，结合主机(应用端，如电脑)对存储设备的操作，如写，读，便可以有多种不同的组合场景下的应用，这些组合都可以对应的进行模型的训练。用来模拟硬盘存储颗粒在实际应用中老化的条件，例如用高温模拟暴晒，用重复编程模拟磨损，以及用读干扰模拟读取错误等等。
作为另一种读取到出错率最小的用户数据的实施方式，存储装置的存储空间内还预存储有RRT组表，该RRT组表内包括若干组RRT参数，每组RRT参数对应不同的应用场景。由于当前配置的RRT参数的读取性能较差，因此，在监测到读取性能指标超过预设阈值之后，以及基于当前配置的RRT参数读取用户数据的步骤之前。基于每一组RRT参数读取到待选用户数据，选定读取错误率最低的所述待选用户数据为用户数据，并根据所述用户数据关联的RRT参数更新所述存储装置的配置。
作为另一种读取到出错率最小的用户数据的实施方式，在监测到读取性能指标超过预设阈值之后，通过检测存储装置所处的环境并结合主机(应用端，如电脑)对存储设备的操作，如写，读，确定存储装置当前的实际应用场景，根据存储空间中预存储的RRT组表，确定实际应用场景的关联RRT参数，并根据所述关联RRT参数更新所述存储装置的配置。
步骤S30：输入所述用户数据至所述出错预测模型，其中，所述出错预测模型基于所述用户数据进行再学习，并输出目标RRT参数；
步骤S40：获取所述目标RRT参数，并根据所述目标RRT参数更新所述存储装置的配置。
本实施例中的出错预测模型是一种机器学习模型，可以采用增量学习或在线学习的方法，根据实际读取到的用户数据调整自身的系数，对已经训练好的模型进行更新，并输出目标RRT参数，以优化存储装置的性能和寿命。这可以通过强化学习、自适应控制等技术来实现，使得设备可以根据实时情况自动调整参数。增量学习是指在不重新训练整个模型的情况下，根据新的数据对模型进行部分调整，以适应新的数据分布和特征。
作为另一种输出目标RRT参数的实施方式，监测到读取性能指标超过预设阈值之后，还包括获取存储装置的环境数据和/或主机操作数据，并输出所述环境数据和/或所述主机操作数据至所述出错预测模型；所述出错预测模型基于所述用户数据、所述环境数据和/或所述主机操作数据，输出目标RRT参数。环境数据指的是存储装置所处环境内的温度、湿度、震动、电力等数据。主机操作数据，如读写速度、IOPS(Input/Output Per Second，每秒读写次数)、数据访问模式等数据，都是会对存储装置的存储性能产生影响的影响因子。通过将两者也输入出错预测模型，能够便于出错预测模型调整自身的参数，以预测出更贴合实际的最优RRT参数。
在本实施例中，通过监测到读取性能指标超过预设阈值，基于当前配置的RRT参数读取用户数据；获取与所述当前配置的RRT参数关联的预训练的出错预测模型，所述出错预测模型用于预测最优RRT参数；输入所述用户数据至所述出错预测模型，其中，所述出错预测模型基于所述用户数据进行再学习，并输出目标RRT参数；获取所述目标RRT参数，并根据所述目标RRT参数更新所述存储装置的配置。能够在存储设备的读取性能下降到阈值时，根据实际读取到的用户数据，预测存储设备的生命周期，并通过动态，增量式的机器学习方式，调整设备参数。比如设备的RRT，使得RRT更适配设备，进而减少RRT的触发次数，提高读取效率；提高RRT精确度，从而延长设备的寿命。
进一步地，参照图3，图3为本申请RRT参数的更新方法第二实施例的流程示意图，提供本申请的第二实施例，所述在监测到读取性能指标超过预设阈值之后，以及基于当前配置的RRT参数读取用户数据之前，还包括：
步骤S11：获取存储装置的环境数据和/或主机操作数据；
步骤S12：根据所述环境数据和/或所述主机操作数据，确定所述存储设备的实际应用场景；
步骤S13：检测到所述实际应用场景与当前配置的RRT参数关联的应用场景不匹配，则基于预存储的RRT组表，确定所述实际应用场景的关联RRT参数，并根据所述关联RRT参数更新所述存储装置的配置。
存储装置在不同的应用场景下，会具有不用的读取表现。例如，当存储装置应用于汽车日志记录，则表现为一直写入；当存储装置应用于播放器，则表现为一直读取；当存储装置应用于低温环境，则表现为环境数据中包含低温度参数。
本实施例中，控制器在监测到读取性能指标超过预设阈值，触发预先配置的传感单元，来采集存储装置的环境数据，并通过SMART等监控技术获取主机操作数据。根据环境数据与主机监控数据确定存储装置的实际应用场景，例如，常温状态下的一直写入。根据RRT组表，检测当前配置的RRT参数的关联应用场景。判断所述实际应用场景与所述当前配置的RRT参数的关联应用场景是否匹配。若是，则基于当前配置的RRT参数读取到用户数据。若否，则根据RRT组表，确定实际应用产环境的关联RRT参数，并根据所述关联RRT参数更新所述存储装置的配置。
例如，当前配置的RRT参数为C组RRT，关联的应用场景为低温。而实际应用场景为一直写入，两者并不匹配，则获取一直写入场景关联的A组RRT，并根据A组RRT参数更新存储装置的配置，则当前配置的RRT参数更新为A组RRT参数。
作为一种确定RRT组表中各组RRT参数的实施方式，在存储装置出厂前，获取所述存储装置闪存颗粒的待测电压分布数据，所述待测电压分布数据是所述存储装置出厂前的电压分布数据，也即厂商在做实验时模拟的用户数据。需要了解的是电压分布数据的数据信息是由二进制0和1组成的，0和1是通过电压变化来表示的。以SLC、MLC和TLC为例，参照图4，图4为本申请RRT参数的更新方法第二实施例中各种类型的闪存颗粒存储单元二进制表。SLC闪存每个存储单元包含1比特，用两种电压变化，擦除之后，闪存读出来的值为1，充过电之后，就是0。MLC闪存中的存储单元包含2比特，用4种电压变化来表示，比如低于10个电子判0；11-20个为1；21-30个为2；多余30个为3。TLC闪存中的存储单元包含了3比特，用8种电压变化来表示。参照图5，图5为本申请RRT参数的更新方法第二实施例中SLC、MLC和TLC的电压分布示意图。上述电压分布数据可能会因存储装置型号、制造商、颗粒类型等因素而有所不同。
参照图6，图6为本申请RRT参数的更新方法第二实施例中模型训练方法的流程示意图，其中，实验数据是在实验阶段模拟用户数据的数据，对实验数据整理后，编写适用于ECC数据的Data Loader，以及适用于ECC数据的VAE训练框架，接着进行数据训练。其中，ECC数据是指针对易失性存储设备(如硬盘驱动器、固态硬盘等)中的数据进行编码的数据。由于易失性存储设备中的数据在读取时可能会失败，因此需要对数据进行编码，以便在读取时能够正确地读取数据。ECC编码是一种常用的数据纠错技术，它可以通过对数据进行ECC编码来保护数据免受损坏。Data Loader是用于将数据加载到模型中的程序。在实验中，通过将ECC数据加载到模型中，以便对其进行训练。Data Loader需要了解数据的格式和结构，并将其转换为模型所需的输入格式。VAE(Variational Autoencoder)是一种深度学习模型，可以用于无监督学习任务，如数据压缩和重构。在实验中，通过使用VAE对ECC数据进行训练，以便学习数据的结构和特征，并通过重构技术将数据压缩为更小的尺寸。
将所述待测电压分布数据输入预先训练的出错预测模型，其中，所述出错预测模型包括了存储装置的存储装置型号所能够支持的所有应用场景对应的子模型，每个子模型对应一种应用场景下的测试条件。获取所述出错预测模型中各个所述子模型输出的预测电压分布数据，并基于各个所述子模型的预测电压分布数据，确定各个所述子模型关联的RRT参数；将各个所述子模型和各个所述子模型关联的RRT参数存储至所述存储装置的存储空间。
上述包括至少一个子模型的出错预测模型的训练方式包括，接收到出错预测模型的训练指令，确定所述出错预测模型关联的存储装置型号；根据存储装置开发手册，确定所述存储装置型号对应的所有应用场景，其中，所述存储装置开发手册中由开发人员写入了各个信号的存储装置支持的各种应用场景；确定所述所有应用场景关联的测试条件集合；根据所述测试条件集合中测试条件的数量，分别获取预设数量的存储装置样片，以及所述存储装置样片闪存颗粒的初始电压分布数据；根据各个所述测试条件，分别对所述存储装置样片闪存颗粒进行测试；在各个测试过程中，基于预设间隔提取所述存储装置样片闪存颗粒的实际电压分布数据；基于所述初始电压分布数据和所述实际电压分布数据，训练得到各个所述测试条件对应的子模型。
本实施例中所指的测试条件，是存储设备在实际应用里面能够接触到物理场景中，能够对存储设备产生老化影响的影响因素，例如湿度，磁场干扰、电压波动、高低温和光照等，结合主机(应用端，如电脑)对存储设备的操作，如写，读，便可以有多种不同的组合场景下的应用，这些组合都可以对应的进行模型的训练。用来模拟硬盘存储颗粒在实际应用中老化的条件，例如用高温模拟暴晒，用重复编程模拟磨损，以及用读干扰模拟读取错误等等。
基于上述子模型及其关联的RRT参数，确定出厂配置的RRT参数的一种实施方式包括：接收到所述存储装置的RRT参数配置指令，获取所述存储装置的关联订单号；拉取所述关联订单号的订单内容，并根据所述订单内容确定所述存储装置的待应用场景；根据预设场景-测试条件映射表，确定所述待应用场景的关联子模型；获取所述关联子模型关联的RRT参数，并根据所述关联子模型关联的RRT参数更新所述存储装置的配置。
可以理解的，适用了跟应用场景关联的RRT参数后，出厂时设定通用的初始RRT并不是不再使用了。在存储设备中应用了与应用场景关联的RRT参数都无效后，系统会再次使用普适性最强的初始RRT参数来提高读取效率。这是因为初始RRT参数通常是出厂时根据设备的一般使用情况设置的，可以很好地适应大多数场景，因此使用它们可以提高设备的读取成功率和效率。
在本实施例中，通过将预先训练好的各种应用场景下的出错预测子模型预存储在存储装置的存储空间中，能够在存储装置读取性能下降时，自动检测实际应用场景，并根据实际应用场景关联的RRT参数更新存储装置的配置。如此，后续根据读取到的用户数据、和/或环境数据、和/或主机操作数据优化自身系数和/或参数的模型，就是与实际应用场景关联的出错预测子模型。能够在存储设备的读取性能下降到阈值时，根据实际读取到的用户数据，实时更新最贴近用户实际应用场景的出错预测模型，以更新能够实现最佳的读取性能的RRT参数，最大程度提高存储设备的寿命。
此外，本申请实施例还提出一种RRT参数的更新设备。
参照图7，图7为本申请实施例方案涉及的硬件运行环境的RRT参数的更新设备结构示意图。
如图7所示，该RRT参数的更新设备可以包括：处理器1001，例如中央处理器(CentralProcessingUnit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccessMemory，RAM)存储器，也可以是稳定的非易失性存储器(Non-VolatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图7中示出的结构并不构成对RRT参数的更新设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图7所示，作为一种可读存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及RRT参数的更新程序。
在图7所示的RRT参数的更新设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请RRT参数的更新设备中的处理器1001、存储器1005可以设置在RRT参数的更新设备中，所述RRT参数的更新设备通过处理器1001调用存储器1005中存储的RRT参数的更新程序，并执行本申请实施例提供的RRT参数的更新方法。
此外，本申请实施例还提出一种可读存储介质。
本申请可读存储介质上存储有RRT参数的更新程序，所述RRT参数的更新程序被处理器执行时实现如上所述的RRT参数的更新方法的步骤。
其中，本申请可读存储介质中存储的RRT参数的更新程序被处理器执行的具体实施例与上述RRT参数的更新方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个RRT参数的更新”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.一种RRT参数的更新方法，其特征在于，所述RRT参数的更新方法包括以下步骤：
监测到读取性能指标超过预设阈值，基于当前配置的RRT参数读取用户数据；
获取与所述当前配置的RRT参数关联的预训练的出错预测模型，所述出错预测模型用于预测最优RRT参数；
输入所述用户数据至所述出错预测模型，其中，所述出错预测模型基于所述用户数据进行再学习，并输出目标RRT参数；
获取所述目标RRT参数，并根据所述目标RRT参数更新所述存储装置的配置。
2.如权利要求1所述的RRT参数的更新方法，其特征在于，所述监测到读取性能指标超过预设阈值的步骤之后，还包括：
获取存储装置的环境数据和/或主机操作数据；
所述输入所述用户数据至所述出错预测模型的步骤之后包括：
输出所述环境数据和/或所述主机操作数据至所述出错预测模型，其中，所述出错预测模型基于所述用户数据、所述环境数据和/或所述主机操作数据，输出目标RRT参数。
3.如权利要求1所述的RRT参数的更新方法，其特征在于，所述监测到读取性能指标超过预设阈值，基于当前配置的RRT参数读取用户数据的步骤包括：
监测到读取性能指标超过预设阈值，基于当前配置的RRT参数以及预存储的RRT组表预读取到待选用户数据；
选定读取错误率最低的所述待选用户数据为用户数据；
根据所述用户数据关联的RRT参数更新所述存储装置的配置。
4.如权利要求1所述的RRT参数的更新方法，其特征在于，所述基于当前配置的RRT参数读取用户数据的步骤之前包括：
获取存储装置的环境数据和/或主机操作数据；
根据所述环境数据和/或所述主机操作数据，确定所述存储设备的实际应用场景；
检测到所述实际应用场景与当前配置的RRT参数关联的应用场景不匹配，则基于预存储的RRT组表，确定所述实际应用场景的关联RRT参数，并根据所述关联RRT参数更新所述存储装置的配置。
5.如权利要求4所述的RRT参数的更新方法，其特征在于，所述监测到读取性能指标超过预设阈值的步骤之前包括：
获取所述存储装置闪存颗粒的待测电压分布数据，所述待测电压分布数据是所述存储装置出厂前的电压分布数据；
将所述待测电压分布数据输入预先训练的出错预测模型，其中，所述出错预测模型包括至少一个子模型，不同子模型对应不同的测试条件；
获取所述出错预测模型中各个所述子模型输出的预测电压分布数据，并基于各个所述子模型的预测电压分布数据，确定各个所述子模型关联的RRT参数；
将各个所述子模型和各个所述子模型关联的RRT参数存储至所述存储装置的存储空间。
6.如权利要求5所述的RRT参数的更新方法，其特征在于，所述将所述待测电压分布数据输入预先训练的出错预测模型，其中，所述出错预测模型包括至少一个子模型，不同子模型对应不同的测试条件的步骤之前包括：
获取预设数量的存储装置样片，以及所述存储装置样片闪存颗粒的初始电压分布数据；
根据各个所述测试条件，分别对所述存储装置样片闪存颗粒进行测试；
在各个测试过程中，基于预设间隔提取所述存储装置样片闪存颗粒的实际电压分布数据；
基于所述初始电压分布数据和所述实际电压分布数据，训练得到各个所述测试条件对应的子模型。
7.如权利要求5所述的RRT参数的更新方法，其特征在于，所述获取所述出错预测模型中各个所述子模型输出的预测电压分布数据，并基于各个所述子模型的预测电压分布数据，确定各个所述子模型关联的RRT参数的步骤之后包括：
接收到所述存储装置的RRT参数配置指令，获取所述存储装置的关联订单号；
拉取所述关联订单号的订单内容，并根据所述订单内容确定所述存储装置的待应用场景；
根据预设场景-测试条件映射表，确定所述待应用场景的关联子模型；
获取所述关联子模型关联的RRT参数，并根据所述关联子模型关联的RRT参数更新所述存储装置的配置。
8.一种RRT参数的更新设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的RRT参数的更新程序，所述RRT参数的更新程序配置为实现如权利要求1至7中任一项所述的RRT参数的更新方法的步骤。
9.一种可读存储介质，其特征在于，所述可读存储介质上存储有RRT参数的更新程序，所述RRT参数的更新程序被处理器执行时实现如权利要求1至7任一项所述的RRT参数的更新方法的步骤。
CN202311838281.3A 2023-12-28 2023-12-28 Rrt参数的更新方法、设备及可读存储介质 Pending CN117850690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311838281.3A CN117850690A (zh) 2023-12-28 2023-12-28 Rrt参数的更新方法、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311838281.3A CN117850690A (zh) 2023-12-28 2023-12-28 Rrt参数的更新方法、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN117850690A true CN117850690A (zh) 2024-04-09

Family

ID=90533995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311838281.3A Pending CN117850690A (zh) 2023-12-28 2023-12-28 Rrt参数的更新方法、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN117850690A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118502677A (zh) * 2024-07-17 2024-08-16 成都佰维存储科技有限公司 存储器读重表优化方法、装置、可读存储介质及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118502677A (zh) * 2024-07-17 2024-08-16 成都佰维存储科技有限公司 存储器读重表优化方法、装置、可读存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN109634527B (zh) 一种ssd内实现的闪存寿命预测方法
US10699791B2 (en) Adaptive read voltage threshold calibration in non-volatile memory
US11587624B2 (en) Coarse calibration based on signal and noise characteristics of memory cells collected in prior calibration operations
US11726719B2 (en) Compound feature generation in classification of error rate of data retrieved from memory cells
US20210042041A1 (en) Dynamic temperature compensation in a memory component
CN116391229B (zh) 用于确定闪存存储器设备的实际磨损何时不同于针对闪存存储器设备的可靠性状态的方法和装置
US10726934B2 (en) Memory characterization and sub-system modification
US11775217B2 (en) Adaptive and/or iterative operations in executing a read command to retrieve data from memory cells
US12009034B2 (en) Classification of error rate of data retrieved from memory cells
KR20080092929A (ko) 플래시 디스크 메모리의 기대 수명을 추정하고 리포팅하는방법
CN117850690A (zh) Rrt参数的更新方法、设备及可读存储介质
US10665309B2 (en) Memory endurance measures based on an extrapolated function fit to metric points for a memory sub-system
CN113628673A (zh) 确定以经优化读取电压为中心的信号和噪声特性
US11500582B2 (en) Trigger margin based dynamic program step characteristic adjustment
US20240296896A1 (en) Read disturb mitigation based on signal and noise characteristics of memory cells collected for read calibration
CN112166406B (zh) 管理包含具有不同特性的存储器装置的存储器系统
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
CN112732181A (zh) 一种ssd的数据迁移方法及相关装置
WO2020106570A1 (en) Memory sub-system for performing wear-leveling adjustments based on memory component endurance estimations
CN111767165B (zh) 数据处理方法、装置及控制设备
CN114627959A (zh) 闪存检测方法、闪存检测装置、设备及介质
CN114327265A (zh) 读取干扰检查方法、存储器存储装置及控制电路单元
CN111712803B (zh) 在存储器系统处存储关键数据
CN109558265B (zh) 具有特征增强的存储器系统及其操作方法

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