KR102643916B1 - 스토리지 장치, 메모리 시스템, 및 그것의 읽기 전압 결정 방법 - Google Patents
스토리지 장치, 메모리 시스템, 및 그것의 읽기 전압 결정 방법 Download PDFInfo
- Publication number
- KR102643916B1 KR102643916B1 KR1020160135274A KR20160135274A KR102643916B1 KR 102643916 B1 KR102643916 B1 KR 102643916B1 KR 1020160135274 A KR1020160135274 A KR 1020160135274A KR 20160135274 A KR20160135274 A KR 20160135274A KR 102643916 B1 KR102643916 B1 KR 102643916B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- read
- deterioration
- volatile memory
- degradation
- Prior art date
Links
- 238000003860 storage Methods 0.000 title claims abstract description 196
- 230000015654 memory Effects 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims description 50
- 230000015556 catabolic process Effects 0.000 claims abstract description 150
- 238000006731 degradation reaction Methods 0.000 claims abstract description 150
- 230000006866 deterioration Effects 0.000 claims abstract description 87
- 238000010801 machine learning Methods 0.000 claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000014759 maintenance of location Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 76
- 230000007123 defense Effects 0.000 description 50
- 238000010586 diagram Methods 0.000 description 16
- 239000000758 substrate Substances 0.000 description 15
- 238000007726 management method Methods 0.000 description 13
- 238000012937 correction Methods 0.000 description 10
- 230000002787 reinforcement Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000003936 working memory Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 101100481702 Arabidopsis thaliana TMK1 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 101100058970 Arabidopsis thaliana CALS11 gene Proteins 0.000 description 1
- 101100058961 Arabidopsis thaliana CALS2 gene Proteins 0.000 description 1
- 101100058964 Arabidopsis thaliana CALS5 gene Proteins 0.000 description 1
- 101100058967 Arabidopsis thaliana CALS8 gene Proteins 0.000 description 1
- 102100031885 General transcription and DNA repair factor IIH helicase subunit XPB Human genes 0.000 description 1
- 101000920748 Homo sapiens General transcription and DNA repair factor IIH helicase subunit XPB Proteins 0.000 description 1
- 101100049574 Human herpesvirus 6A (strain Uganda-1102) U5 gene Proteins 0.000 description 1
- 101100287040 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) ARG82 gene Proteins 0.000 description 1
- 101100341076 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) IPK1 gene Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 101150064834 ssl1 gene Proteins 0.000 description 1
- 101150062870 ssl3 gene Proteins 0.000 description 1
- 101150011582 ssl4 gene Proteins 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- 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
-
- 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
-
- 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
- G06F3/0604—Improving or facilitating administration, e.g. storage management
-
- 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
- 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
- G06F3/0655—Vertical data movement, i.e. input-output transfer; data movement between one or more hosts and one or more storage devices
-
- 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
- G06F3/0683—Plurality of storage devices
- G06F3/0688—Non-volatile semiconductor memory arrays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C11/00—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor
- G11C11/56—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using storage elements with more than two stable states represented by steps, e.g. of voltage, current, phase, frequency
- G11C11/5621—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using storage elements with more than two stable states represented by steps, e.g. of voltage, current, phase, frequency using charge storage in a floating gate
- G11C11/5642—Sensing or reading circuits; Data output circuits
-
- 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
- G11C16/26—Sensing or reading circuits; Data output circuits
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/02—Detection or location of defective auxiliary circuits, e.g. defective refresh counters
- G11C29/021—Detection or location of defective auxiliary circuits, e.g. defective refresh counters in voltage or current generators
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/02—Detection or location of defective auxiliary circuits, e.g. defective refresh counters
- G11C29/028—Detection or location of defective auxiliary circuits, e.g. defective refresh counters with adaption or trimming of parameters
-
- 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
-
- 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
- G11C29/52—Protection of memory contents; Detection of errors in memory contents
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C7/00—Arrangements for writing information into, or reading information out from, a digital store
- G11C7/14—Dummy cell management; Sense reference voltage generators
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C16/00—Erasable programmable read-only memories
- G11C16/02—Erasable programmable read-only memories electrically programmable
- G11C16/04—Erasable programmable read-only memories electrically programmable using variable threshold transistors, e.g. FAMOS
- G11C16/0483—Erasable programmable read-only memories electrically programmable using variable threshold transistors, e.g. FAMOS comprising cells having several storage transistors connected in series
Abstract
본 발명은 클라이언트-서버 모델을 통해 제어되는 메모리 시스템에 관한 것이다. 본 발명의 메모리 시스템은, 불휘발성 메모리 장치를 각각 포함하는 복수의 스토리지 장치들, 상기 복수의 스토리지 장치들로부터 상기 불휘발성 메모리 장치의 열화 정보를 제공받아 수집하는 클라이언트 장치, 그리고 상기 수집된 열화 정보를 제공받고, 상기 수집된 열화 정보와 초기 열화 정보를 기초로 기계 학습을 수행하여 열화 요인 및 열화 크기를 실시간으로 예측하는 서버 장치를 포함하되, 상기 클라이언트 장치는 상기 서버 장치로부터 제공되는 상기 열화 크기를 참조하여 상기 불휘발성 메모리 장치의 읽기 레벨을 결정하고, 상기 스토리지 장치는 상기 클라이언트 장치에서 결정된 읽기 레벨에 따라 동작하도록 상기 불휘발성 메모리 장치를 설정한다.
Description
본 발명은 데이터 저장 장치에 관한 것으로, 더 상세하게는 불휘발성 메모리 장치를 포함하는 스토리지 장치, 메모리 시스템, 그리고 그것의 읽기 전압 결정 방법에 관한 것이다.
스토리지 장치(예를 들면, SSD)는 불휘발성 메모리를 포함한다. 스토리지 장치는 전원이 차단되어도 저장된 데이터를 유지할 수 있으며, 따라서 장기간의 데이터 저장에 유리하다. 스토리지 장치는 컴퓨터, 스마트폰, 스마트 패드 등과 같은 다양한 전자 장치들에서 주 저장소로 사용되고 있다.
스토리지 장치의 불휘발성 메모리는 다양한 원인에 의해서 열화되며, 열화의 정도에 따라 동작 조건을 가변하는 방식으로 열화에 대응하고 있다. 스토리지 장치의 제조사들은 스토리지 장치 내에 동작 조건에 따른 읽기 전압의 레벨을 조정하는 방식으로 열화에 대응하고 있다. 하지만, 이러한 방식은 평균적인 사용 패턴들 및 사용 환경들을 기반으로 스토리지 장치의 파라미터를 설정한다. 평균적인 사용 패턴들 및 사용 환경들은 극히 제한적인 구동 환경을 대변한다. 따라서, 다양한 환경이나 열화 레벨에서 스토리지 장치들은 최적의 동작 성능들을 제공하는 데에는 한계가 있다.
본 발명의 목적은 다양한 동작 상태나 열화 상태에 대해서 최적의 동작 성능들을 제공할 수 있는 스토리지 장치, 메모리 시스템, 그리고 그것의 읽기 전압 결정 방법을 제공하는 데에 있다.
본 발명의 실시 예에 따른 메모리 시스템에 관한 것이다. 본 발명의 메모리 시스템은, 불휘발성 메모리 장치를 각각 포함하는 복수의 스토리지 장치들, 상기 복수의 스토리지 장치들로부터 상기 불휘발성 메모리 장치의 열화 정보를 제공받아 수집하는 클라이언트 장치, 그리고 상기 수집된 열화 정보를 제공받고, 상기 수집된 열화 정보와 초기 열화 정보를 기초로 기계 학습을 수행하여 열화 요인 및 열화 크기를 실시간으로 예측하는 서버 장치를 포함하되, 상기 클라이언트 장치는 상기 서버 장치로부터 제공되는 상기 열화 크기를 참조하여 상기 불휘발성 메모리 장치의 읽기 레벨을 결정하고, 상기 스토리지 장치는 상기 클라이언트 장치에서 결정된 읽기 레벨에 따라 동작하도록 상기 불휘발성 메모리 장치를 설정한다.
본 발명의 다른 실시 예에 따른 네트워크 상에 연결되는 복수의 스토리지 장치의 읽기 전압의 결정 방법은, 상기 복수의 스토리지 장치들과 연결되는 클라이언트와, 상기 네트워크를 통해서 상기 클라이언트와 연결되는 서버를 구성하는 단계, 상기 클라이언트가 복수의 스토리지 장치들 중 적어도 하나로부터 생성되는 열화 정보를 수집하는 단계, 상기 서버에서 상기 수집된 열화 정보 및 초기 열화 정보를 기초로 기계 학습을 수행하여 상기 복수의 스토리지 장치들의 열화 요인 및 열화 크기를 실시간으로 예측하는 단계, 상기 클라이언트에서 상기 예측된 열화 요인 또는 상기 예측된 열화 크기를 참조하여 상기 복수의 스토리지 장치들 각각의 읽기 레벨을 결정하는 단계, 그리고 상기 결정된 읽기 레벨로 상기 복수의 스토리지 장치들 중 적어도 하나의 동작 조건을 설정하는 단계를 포함한다.
본 발명의 실시 예에 따른 스토리지 장치는, 불휘발성 메모리 장치, 그리고 상기 불휘발성 메모리 장치에 데이터를 기입하거나 상기 불휘발성 메모리 장치에 저장된 데이터를 독출하고, 상기 불휘발성 메모리 장치의 읽기 전압을 설정하고, 상기 독출된 데이터의 에러를 검출 또는 정정하는 스토리지 컨트롤러를 포함하되, 상기 스토리지 컨트롤러는 상기 불휘발성 메모리 장치의 열화 정보를 검출하여 클라이언트-서버 모델로 구성되는 호스트에 전송하고, 상기 호스트에서 상기 열화 정보를 사용하는 기계 학습을 통해서 예측 및 결정된 읽기 전압을 수신하여 상기 불휘발성 메모리 장치를 설정한다.
본 발명의 실시 예들에 따르면, 다양한 동작 환경 또는 열화 상태에 해당하는 빅데이터를 획득하고, 획득된 빅데이터를 분석하여 열화의 요인을 분석하는 인공 지능(AI)을 구축할 수 있다. 그리고 이러한 인공 지능(AI)이 클라이언트-서버 모델로 구축되어, 개별 스토리지 장치에 대한 최적의 접근 파라미터를 제공할 수 있다.
도 1은 본 발명의 실시 예에 메모리 시스템을 보여주는 블록도이다.
도 2는 본 발명의 스토리지 장치를 예시적으로 보여주는 블록도이다.
도 3은 본 발명의 실시 예에 따른 메모리 블록(BLKa)의 예를 보여준다.
도 4는 불휘발성 메모리 장치(111)의 열화(Deterioration)에 따른 영향을 간략히 보여주는 도면이다.
도 5는 본 발명의 스토리지 장치(110)의 동작을 예시적으로 보여주는 순서도이다.
도 6은 본 발명의 클라이언트 장치(130)를 개략적으로 보여주는 블록도이다.
도 7은 도 6의 클라이언트 장치에서 실행되는 열화 정보 관리 모듈(132)의 동작을 예시적으로 보여주는 순서도이다.
도 8은 도 6의 클라이언트 장치에서 실행되는 읽기 레벨 결정 모듈(134)의 동작을 예시적으로 보여주는 순서도이다.
도 9는 본 발명의 서버 장치(150)의 구성을 예시적으로 보여주는 블록도이다.
도 10은 도 9의 서버 장치(150)에서 수행되는 최적 읽기 레벨의 결정 방법을 간략히 보여주는 순서도이다.
도 11은 도 10의 기계 학습 및 읽기 레벨의 결정이 수행되는 S430 단계를 좀더 구체적으로 설명하는 순서도이다.
도 12는 본 발명의 실시 예에 따른 클라이언트-서버 모델을 사용하여 제어되는 스토리지 장치의 동작을 보여주는 도면이다.
도 13은 본 발명의 다른 실시 예에 따른 클라이언트-서버 모델의 메모리 시스템(200)을 보여주는 블록도이다.
도 14는 강화 학습을 위한 클라이언트 장치(230)의 동작을 간략히 보여주는 순서도이다.
도 15는 강화 학습을 위한 서버 장치(250)의 동작을 간략히 보여주는 순서도이다.
도 16은 도 13의 클라이언트-서버 모델을 적용한 스토리지 장치의 동작을 보여주는 도면이다.
도 2는 본 발명의 스토리지 장치를 예시적으로 보여주는 블록도이다.
도 3은 본 발명의 실시 예에 따른 메모리 블록(BLKa)의 예를 보여준다.
도 4는 불휘발성 메모리 장치(111)의 열화(Deterioration)에 따른 영향을 간략히 보여주는 도면이다.
도 5는 본 발명의 스토리지 장치(110)의 동작을 예시적으로 보여주는 순서도이다.
도 6은 본 발명의 클라이언트 장치(130)를 개략적으로 보여주는 블록도이다.
도 7은 도 6의 클라이언트 장치에서 실행되는 열화 정보 관리 모듈(132)의 동작을 예시적으로 보여주는 순서도이다.
도 8은 도 6의 클라이언트 장치에서 실행되는 읽기 레벨 결정 모듈(134)의 동작을 예시적으로 보여주는 순서도이다.
도 9는 본 발명의 서버 장치(150)의 구성을 예시적으로 보여주는 블록도이다.
도 10은 도 9의 서버 장치(150)에서 수행되는 최적 읽기 레벨의 결정 방법을 간략히 보여주는 순서도이다.
도 11은 도 10의 기계 학습 및 읽기 레벨의 결정이 수행되는 S430 단계를 좀더 구체적으로 설명하는 순서도이다.
도 12는 본 발명의 실시 예에 따른 클라이언트-서버 모델을 사용하여 제어되는 스토리지 장치의 동작을 보여주는 도면이다.
도 13은 본 발명의 다른 실시 예에 따른 클라이언트-서버 모델의 메모리 시스템(200)을 보여주는 블록도이다.
도 14는 강화 학습을 위한 클라이언트 장치(230)의 동작을 간략히 보여주는 순서도이다.
도 15는 강화 학습을 위한 서버 장치(250)의 동작을 간략히 보여주는 순서도이다.
도 16은 도 13의 클라이언트-서버 모델을 적용한 스토리지 장치의 동작을 보여주는 도면이다.
아래에서는, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재된다.
도 1은 본 발명의 실시 예에 메모리 시스템을 보여주는 블록도이다. 도 1을 참조하면, 메모리 시스템(100)은 스토리지 장치(110), 클라이언트 장치(130), 그리고 서버 장치(150)를 포함한다.
스토리지 장치(110)는 적어도 하나의 불휘발성 메모리 장치(Non-volatile memory device: 이하, NVM)를 포함할 수 있다. 불휘발성 메모리 장치(NVM)는 다양한 환경이나 조건에 따라 열화된다. 따라서, 스토리지 장치(110)가 어떤 목적으로 사용되는지, 또는 사용자가 어떤 사용 패턴으로 사용하는지에 따라 열화의 정도나 열화의 경향은 다르게 나타난다. 스토리지 장치(110)는 주기적으로 또는 특정 이벤트가 발생하면, 열화 정보(Deterioration Information: 이하, DI)를 클라이언트 장치(130)로 전송한다. 열화 정보(DI)는 예를 들면, 특정 열화 상태에서의 프로그램/소거 횟수(P/E cycle), 읽기 횟수, 데이터 리텐션 시간, 온도 정보 등이 포함될 수 있다. 이 밖에도 열화 정보는 특정 열화 상태에 대응하는 워드 라인이나 메모리 블록의 위치 등이 더 포함될 수 있다. 여기서, 특정 열화 상태는, 예를 들면, 정정 불가 에러(Uncorrectable Error)가 발생한 시점이거나, 기준치 이상의 에러 비트가 검출되는 시점일 수 있다. 하지만, 스토리지 장치(110)가 열화 정보(DI)를 전송하는 조건은 여기에만 국한되지 않으며 다양한 목적에 따라 설정될 수 있음은 잘 이해될 것이다.
스토리지 장치(110)는 열화 정보(DI)의 전송과 더불어 클라이언트 장치(130)에서 결정된 읽기 레벨(Read level) 정보를 수신할 수 있다. 스토리지 장치(110)는 클라이언트 장치(130)에서 제공되는 읽기 레벨(Read level)에 따라 불휘발성 메모리 장치(NVM)의 읽기 전압을 설정할 수 있다.
클라이언트 장치(130)는 스토리지 장치(110)로부터 제공되는 열화 정보(DI)를 감지한다. 그리고 클라이언트 장치(130)는 감지된 스토리지 장치(110)의 열화 정보(DI)를 서버 장치(150)로 전송한다. 도시되지는 않았지만, 클라이언트 장치(130)에는 복수의 스토리지 장치(110)가 연결될 수 있다. 따라서, 클라이언트 장치(130)는 복수의 스토리지 장치들로부터 열화 정보(DI)를 수신할 수 있다. 클라이언트 장치(130)는 복수의 스토리지 장치들을 스토리지로 사용하는 호스트 장치일 수 있다. 예를 들면, 클라이언트 장치(130)는 스토리지 장치(110)에 연결된 개인용 컴퓨터나 서버 그룹을 포함할 수 있다. 즉, 본 발명의 클라이언트 장치(130)는 스토리지 장치(110)의 열화 정보(DI)를 수집하고, 수집된 열화 정보(DI)를 기계 학습을 수행하는 서버 장치(150)로 전송하는 기능을 가진 장치를 의미한다. 더불어, 클라이언트 장치(130)는 서버 장치(150)로부터 제공되는 인공 지능(AI)이나 규칙에 따라 개별 스토리지 장치들(110)의 읽기 레벨(Read level)을 결정할 수 있다.
상술한 기능의 지원을 위해 본 발명의 클라이언트 장치(130)는 열화 정보 관리 모듈(132)과 읽기 레벨 결정 모듈(134)을 포함할 수 있다. 열화 정보 관리 모듈(132)과 읽기 레벨 결정 모듈(134)은 하드웨어 형태의 장치로 구현될 수 있다. 하지만, 열화 정보 관리 모듈(132)과 읽기 레벨 결정 모듈(134) 클라이언트 장치(130)에서 구동되는 소프트웨어 모듈로 제공될 수도 있을 것이다. 이하에서는, 열화 정보 관리 모듈(132)과 읽기 레벨 결정 모듈(134)이 소프트웨어 모듈로 구현되는 예시를 통해서 본 발명의 이점을 설명하기로 한다.
서버 장치(150)는 클라이언트 장치(130)로부터 제공되는 수집된 열화 정보(Collected DI: 이하, CDI)를 수신한다. 서버 장치(150)는 수집된 열화 정보(CDI)를 복수의 클라이언트 장치들로부터 수신할 수 있다. 따라서, 서버 장치(150)는 방대한 양의 열화 정보(CDI)를 획득할 수 있다. 즉, 서버 장치(150)는 다양한 조건에서의 다양한 변수에 의해서 발생하는 열화 정보(DI)를 빅데이터로 획득할 수 있다. 서버 장치(150)는 수집된 열화 정보(CDI)의 빅데이터를 기계 학습(Machine Learnign: ML)을 통해서 분석할 수 있다. 이러한 기계 학습(ML)을 통해서 서버 장치(150)는 불휘발성 메모리 장치의 열화에 영향을 미치는 원인을 파악할 수 있다. 그리고 서버 장치(150)는 파악된 원인들과 불휘발성 메모리 장치의 열화 정도와의 관계를 정립할 수 있을 것이다. 이러한 빅데이터의 기계 학습(ML)은 기계 학습 모듈(151)이 수행할 수 있다.
이후, 서버 장치(150)는 기계 학습을 통해서 정립된 열화의 원인들과 열화의 정도간의 관계를 사용하여 각각의 조건이나 열화의 정도에서의 최적 읽기 레벨을 결정할 수 있을 것이다. 이러한 읽기 레벨의 결정은 읽기 레벨 생성 모듈(153)에서 수행될 수 있다. 읽기 레벨 생성 모듈(153)에서 생성된 불휘발성 메모리 장치의 상태나 조건, 열화의 정도에 대한 읽기 레벨 정보(Read Level Information)는 클라이언트 장치(130)로 전송될 수 있다.
이상에서 설명된 클라이언트-서버 형태의 스토리지 장치(110)의 제어 방식에 따르면, 실제 사용자 환경에서 발생하는 복잡한 상황과 조건, 열화 정도에 대해서 적응적으로 또는 실시간으로 최적 읽기 레벨이 제공될 수 있다. 다양한 조건과 다양한 상황에서 발생하는 열화 정보를 방대한 양의 빅데이터로 처리하고, 기계 학습을 통해서 각각의 상황별 최적 읽기 레벨이 결정될 수 있다. 따라서, 한정된 조건에서 결정되는 읽기 레벨이 아니라, 실시간으로 발생하는 에러나 열화에 기인한 문제에 대한 신속한 해결이 가능하다.
도 2는 본 발명의 스토리지 장치를 예시적으로 보여주는 블록도이다. 도 2를 참조하면, 스토리지 장치(110)는 불휘발성 메모리 장치(111), 스토리지 컨트롤러(113), 그리고 버퍼 메모리(115)를 포함할 수 있다.
불휘발성 메모리 장치(111)는 스토리지 컨트롤러(113)의 제어에 따라 쓰기 동작, 읽기 동작 및 소거 동작을 수행할 수 있다. 불휘발성 메모리 장치(111)는 스토리지 컨트롤러(113)로부터 쓰기 커맨드, 어드레스 및 데이터를 수신하고, 어드레스에 의해 식별되는 저장 공간에 데이터를 기입할 수 있다. 불휘발성 메모리 장치(111)는 스토리지 컨트롤러(113)로부터 읽기 커맨드 및 어드레스를 수신하고, 어드레스에 의해 식별되는 저장 공간으로부터 데이터를 읽고, 읽혀진 데이터를 스토리지 컨트롤러(113)로 출력할 수 있다. 불휘발성 메모리 장치(111)는 스토리지 컨트롤러(113)로부터 소거 커맨드 및 어드레스를 수신하고, 어드레스에 의해 식별되는 저장 공간의 데이터를 소거할 수 있다.
불휘발성 메모리 장치(111)는 복수의 메모리 블록들(BLK1~BLKz)을 포함할 수 있다. 복수의 메모리 블록들 각각은 복수의 메모리 셀들을 포함할 수 있다. 복수의 메모리 셀들은 불휘발성 메모리 장치(111)의 저장 공간을 형성할 수 있다. 복수의 메모리 블록들 각각은 복수의 메모리 셀들을 개별적으로 선택하는 것을 지원하는 선택 트랜지스터들을 더 포함할 수 있다. 메모리 블록들(BLK1~BLKz)은 불휘발성 메모리 장치(111)의 동작상의 특징에 따라 또는 구조적 특징에 따라 구별될 수 있다.
불휘발성 메모리 장치(111)는 플래시 메모리, 상 변화 랜덤 액세스 메모리(PRAM, Phase-change Random Access Memory), 강유전체 랜덤 액세스 메모리(FeRAM, Ferroelectric RAM), 자기 랜덤 액세스 메모리(MRAM, Magnetic RAM), 저항성 랜덤 액세스 메모리(RRAM, Resistive RAM) 등을 포함할 수 있다.
스토리지 컨트롤러(113)는 불휘발성 메모리 장치(111) 및 버퍼 메모리(115)를 액세스할 수 있다. 스토리지 컨트롤러(113)는 외부의 호스트 장치의 요청에 따라 쓰기, 읽기 및 소거를 수행할 수 있다. 스토리지 컨트롤러(113)는 쓰기 요청된 데이터를 불휘발성 메모리 장치(111)에 기입하고, 읽기 요청된 데이터를 불휘발성 메모리 장치(111)로부터 읽어 출력할 수 있다.
스토리지 컨트롤러(113)는 버퍼 메모리(115)를 이용하여 스토리지 장치(110)를 관리할 수 있다. 예를 들어, 스토리지 컨트롤러(113)는 불휘발성 메모리 장치(111)에 기입될 데이터 또는 불휘발성 메모리 장치(111)로부터 읽히는 데이터를 버퍼 메모리(115)에 임시로 저장할 수 있다. 스토리지 컨트롤러(113)는 불휘발성 메모리 장치(111)를 관리하는 데에 필요한 메타 데이터를 버퍼 메모리(115)에 로드할 수 있다.
스토리지 컨트롤러(113)는 불휘발성 메모리 장치(111)의 열화 정보(DI)를 생성할 수 있다. 예를 들면, 스토리지 장치(113)는 웨어 레벨링(Wear leveling)을 위해 관리되는 불휘발성 메모리 장치(111)의 메모리 블록별 프로그램/소거 횟수, 메모리 영역별 읽기 횟수, 온도 정보, 데이터 리텐션 정보 등을 저장하고 업데이트할 수 있다. 스토리지 컨트롤러(113)는 특정 조건에서 독출된 데이터의 에러 비트 수를 체크할 수 있다. 독출된 데이터의 에러 비트 수가 정정 불가한 경우, 스토리지 컨트롤러(113)는 에러 비트 수, 이때의 읽기 레벨을 포함하는 열화 정보를 생성하여 클라이언트 장치(130)로 전송할 수 있다. 스토리지 컨트롤러(113)는 정정 불가 에러(Uncorrectable error)를 검출할 때 뿐만 아니라, 정정 가능한 에러라 할지라도 특정 이벤트의 발생시에 열화 정보(DI)를 생성하여 클라이언트 장치(130)로 전송할 수 있다.
스토리지 컨트롤러(113)는 클라이언트 장치(130)로부터 제공되는 읽기 레벨(Read Level)을 이용하여 불휘발성 메모리 장치(111)의 읽기 전압을 결정할 수 있다. 스토리지 컨트롤러(113)는 결정된 읽기 전압으로 설정되도록 불휘발성 메모리 장치(111)를 제어할 수 있다.
스토리지 컨트롤러(113)는 CPU(112), 랜덤 액세스 메모리( 이하, RAM)(114), 플래시 인터페이스(116), 버퍼 매니저(118), 그리고 호스트 인터페이스(119)를 포함할 수 있다.
CPU(112)는 스토리지 컨트롤러(113)의 제반 동작을 제어하고, 논리 연산을 수행할 수 있다. CPU(112)는 호스트 인터페이스(119)를 통해 클라이언트 장치(130)와 통신하고, 플래시 인터페이스(116)를 통해 불휘발성 메모리 장치(111)와 통신하고, 그리고 버퍼 매니저(118)를 통해 버퍼 메모리(115)와 통신할 수 있다. CPU(112)는 RAM(114)을 동작 메모리, 캐시 메모리 또는 버퍼 메모리로 사용하여 스토리지 장치(110)를 제어할 수 있다. CPU(112)는 RAM(114)에 로드되는 읽기 레벨 컨트롤 모듈(RL Control Module)을 실행할 것이다. 읽기 레벨 컨트롤 모듈(RL Control Module)의 실행에 따라 스토리지 컨트롤러(113)는 불휘발성 메모리 장치(111)에서 발생하는 다양한 열화 정보(DI)를 클라이언트 장치(130)로 전송할 수 있다. 그리고 읽기 레벨 컨트롤 모듈(RL Control Module)의 실행에 따라 스토리지 컨트롤러(113)는 클라이언트 장치(130)로부터 제공되는 읽기 레벨(RL)을 참조하여 특정 스토리지 장치(111)의 읽기 전압을 설정할 수 있다. 여기서, CPU(112)는 복수의 코어들로 구성되는 멀티 코어 프로세서로 제공될 수도 있음은 잘 이해될 것이다.
RAM(114)은 CPU(112)의 동작 메모리, 캐시 메모리 또는 버퍼 메모리로 사용될 수 있다. RAM(114)은 CPU(112)가 실행하는 코드들 및 명령들을 저장할 수 있다. RAM(114)은 CPU(112)에 의해 처리되는 데이터를 저장할 수 있다. RAM(114)은 예시적으로 SRAM(Static RAM)으로 구현될 수 있다. 특히, RAM(114)에는 읽기 레벨 컨트롤 모듈(RL Control Module)이 저장될 수 있다. 이뿐 아니라, RAM(114)에는 플래시 변환 계층(FTL)이나 다양한 메모리 관리 모듈이 저장될 수 있다. 플래시 변환 계층(FTL)은 불휘발성 메모리 장치(111)와 클라이언트 장치(130) 사이에서 인터페이싱을 위해 수행되는 어드레스 맵핑, 가비지 컬렉션, 웨어 레벨링 등의 기능을 수행한다.
플래시 인터페이스(116)는 CPU(112)의 제어에 따라, 불휘발성 메모리 장치(111)와 통신하도록 구성된다. 플래시 인터페이스(116)는 입출력 채널을 통해 커맨드, 어드레스 및 데이터를 불휘발성 메모리 장치(111)와 통신할 수 있다. 플래시 인터페이스(116)는 제어 채널을 통해 제어 신호를 불휘발성 메모리 장치(111)와 통신할 수 있다.
플래시 인터페이스(116)는 에러 정정 블록(ECC)을 포함할 수 있다. 에러 정정 블록(ECC)은 에러 정정을 수행할 수 있다. 에러 정정 블록(ECC)은 플래시 인터페이스(116)를 통해 불휘발성 메모리 장치(111)에 기입될 데이터에 기반하여 에러 정정 인코딩을 수행할 수 있다. 에러 정정 인코딩된 데이터는 플래시 인터페이스(116)를 통해 불휘발성 메모리 장치(111)로 전달될 수 있다. 에러 정정 블록(ECC)은 불휘발성 메모리 장치(111)로부터 플래시 인터페이스(116)를 통해 수신되는 데이터에 대해 에러 정정 디코딩을 수행할 수 있다. 불휘발성 메모리 장치(111)로부터 독출된 데이터에 대한 에러 정정 디코딩 중, 정정 불가한 에러가 검출되는 경우, 플래시 인터페이스(116)는 CPU(112)에 이러한 상태를 통지할 수 있다. CPU(112)는 예시적으로 이러한 상황에서 열화 정보(DI)를 생성하고, 클라이언트 장치(130)로 전송할 수 있다.
버퍼 매니저(118)는 CPU(112)의 제어에 따라, 버퍼 메모리(115)를 제어하도록 구성된다. 버퍼 매니저(118)는 불휘발성 메모리 장치(111)와 클라이언트 장치(130)가 교환하는 데이터를 일시 저장하도록 버퍼 메모리(115)를 제어한다.
호스트 인터페이스(119)는 CPU(112)의 제어에 따라, 외부의 호스트 장치와 통신하도록 구성된다. 호스트 인터페이스(119)는 USB (Universal Serial Bus), SATA (Serial AT Attachment), SAS (Serial Attached SCSI), HSIC (High Speed Interchip), SCSI (Small Computer System Interface), PCI (Peripheral Component Interconnection), PCIe (PCI express), NVMe (NonVolatile Memory express), UFS (Universal Flash Storage), SD (Secure Digital), MMC (MultiMedia Card), eMMC (embedded MMC), DIMM (Dual In-line Memory Module), RDIMM (Registered DIMM), LRDIMM (Load Reduced DIMM) 등과 같은 다양한 통신 방식들 중 적어도 하나를 이용하여 통신하도록 구성될 수 있다.
이상에서 본 발명의 스토리지 장치(110)의 구성 및 기능이 간략히 설명되었다. 스토리지 장치(110)는 독출되는 데이터의 에러 비트 수에 따라 또는 특정 이벤트의 발생 시에 열화 정보를 생성하여 클라이언트 장치(130)에 전송할 수 있다. 스토리지 장치(110)는 더불어 클라이언트 장치(130)로부터 제공되는 읽기 레벨(RL)을 사용하여 불휘발성 메모리 장치(111)의 읽기 전압의 레벨을 설정할 수 있다. 스토리지 장치(110)는 예를 들면, 솔리드 스테이트 드라이브(SSD), 메모리 카드, 임베디드 메모리 카드 중 어느 하나의 형태로 구성될 수 있으나, 본 발명은 여기에 국한되지 않음은 잘 이해될 것이다.
도 3은 본 발명의 실시 예에 따른 메모리 블록(BLKa)의 예를 보여준다. 도 3을 참조하면, 복수의 셀 스트링들(CS)이 기판(SUB) 위에서 행들 및 열들로 배치될 수 있다. 복수의 셀 스트링들(CS)은 기판(SUB) 상에(또는 안에) 형성되는 공통 소스 라인(CSL)에 공통으로 연결될 수 있다. 메모리 블록(BLKa)의 구조의 이해를 돕기 위하여, 기판(SUB)의 위치가 예시적으로 표시되어 있다. 셀 스트링들(CS)의 하단에 공통 소스 라인(CSL)이 연결되는 것으로 도시되어 있다. 그러나 공통 소스 라인(CSL)은 셀 스트링들(CS)의 하단에 전기적으로 연결되는 것으로 충분하며, 물리적으로 셀 스트링들(CS)의 하단에 위치하는 것으로 한정되지 않는다. 예시적으로, 셀 스트링들(CS)은 4X4로 배열되는 것으로 도시되나 메모리 블록(BLKa)은 더 적은 또는 더 많은 수의 셀 스트링들을 포함할 수 있다.
각 행의 셀 스트링들은 제 1 내지 제 4 접지 선택 라인들(GSL1~GSL4) 중 대응하는 접지 선택 라인 그리고 제 1 내지 제 4 스트링 선택 라인들(SSL1~SSL4) 중 대응하는 스트링 선택 라인에 연결될 수 있다. 각 열의 셀 스트링들은 제 1 내지 제 4 비트 라인들(BL1~BL4) 중 대응하는 비트 라인에 연결될 수 있다. 도면이 복잡해지는 것을 방지하기 위하여, 제 2 및 제 3 접지 선택 라인들(GSL2, GSL3) 또는 제 2 및 제 3 스트링 선택 라인들(SSL2, SSL3)에 연결된 셀 스트링들은 옅게 도시되어 있다.
각 셀 스트링은 대응하는 접지 선택 라인에 연결되는 적어도 하나의 접지 선택 트랜지스터(GST), 제 1 더미 워드 라인(DWL1)에 연결되는 제 1 더미 메모리 셀(DMC1), 복수의 워드 라인들(WL1~WL8)에 각각 연결되는 복수의 메모리 셀들(MC), 제 2 더미 워드 라인(DWL2)에 연결되는 제 2 더미 메모리 셀(DMC2), 그리고 스트링 선택 라인들(SSL)에 각각 연결되는 스트링 선택 트랜지스터들(SST)을 포함할 수 있다. 각 셀 스트링에서, 접지 선택 트랜지스터(GST), 제 1 더미 메모리 셀(DMC1), 메모리 셀들(MC), 제 2 더미 메모리 셀(DMC2) 및 스트링 선택 트랜지스터들(SST)은 기판과 수직인 방향을 따라 직렬 연결되고, 기판과 수직인 방향을 따라 순차적으로 적층될 수 있다.
예시적으로, 도 3에 도시된 바와 같이, 각 셀 스트링(CS)에서 접지 선택 트랜지스터(GST) 및 메모리 셀들(MC) 사이에 하나 또는 그보다 많은 더미 메모리 셀들이 제공될 수 있다. 각 셀 스트링(CS)에서, 스트링 선택 트랜지스터들(SST) 및 메모리 셀들(MC) 사이에 하나 또는 그보다 많은 더미 메모리 셀들이 제공될 수 있다. 각 셀 스트링(CS)에서, 메모리 셀들의 사이에 하나 또는 그보다 많은 더미 메모리 셀들이 제공될 수 있다. 더미 메모리 셀들은 메모리 셀들(MC)과 동일한 구조를 가지며, 프로그램되지 않거나(예를 들어, 프로그램이 금지되거나) 또는 메모리 셀들(MC)과 다르게 프로그램될 수 있다. 예를 들어, 메모리 셀들(MC)이 둘 또는 그보다 많은 개수의 문턱 전압 산포를 갖도록 프로그램될 때, 더미 메모리 셀들은 하나의 문턱 전압 산포 범위나 메모리 셀들(MC)보다 적은 개수의 문턱 전압 산포를 갖도록 프로그램될 수 있다.
기판(SUB) 또는 접지 선택 트랜지스터(GST)로부터 동일한 높이(또는 순서)에 위치한 셀 스트링들(CS)의 메모리 셀들은 전기적으로 공통으로 연결될 수 있다. 기판(SUB) 또는 접지 선택 트랜지스터(GST)로부터 상이한 높이(또는 순서)에 위치한 셀 스트링들(CS)의 메모리 셀들은 전기적으로 분리될 수 있다. 예시적으로, 도 2에서, 동일한 높이의 메모리 셀들은 동일한 워드 라인에 연결되는 것으로 도시되어 있으나, 동일한 높이의 메모리 셀들은 메모리 셀들이 형성된 높이의 평면에서 직접 연결되거나 또는 메탈층과 같은 다른 층을 통해 서로 간접 연결될 수 있다.
하나의 스트링(또는 접지) 선택 라인 및 하나의 워드 라인에 대응하는 메모리 셀들은 하나의 페이지를 형성할 수 있다. 쓰기 동작 및 읽기 동작은 각 페이지의 단위로 수행될 수 있다. 각 페이지의 각 메모리 셀은 둘 이상의 비트들을 저장할 수 있다. 각 페이지의 메모리 셀들에 기입되는 비트들은 논리 페이지들을 형성한다. 예를 들어, 각 페이지의 메모리 셀들에 기입되는 k번째 비트들은 k번째 논리 페이지를 형성할 수 있다.
메모리 블록(BLKa)은 3차원 메모리 어레이로 제공된다. 3차원 메모리 어레이는, 실리콘 기판(SUB) 및 메모리 셀들(MC)의 동작에 연관된 회로의 위에 배치되는 활성 영역을 갖는 메모리 셀들(MC)의 어레이들의 하나 또는 그 이상의 물리 레벨들에 획일적으로(monolithically) 형성될 수 있다. 메모리 셀들(MC)의 동작에 연관된 회로는 기판 내에 또는 기판 위에 위치할 수 있다. 획일적으로 형성되는 것은, 3차원 어레이의 각 레벨의 레이어들이 3차원 어레이의 하위 레벨의 레이어들 위에 직접 증착됨을 의미한다.
본 발명의 기술적 사상에 따른 일 예로서, 3차원 메모리 어레이는 수직의 방향성을 가져, 적어도 하나의 메모리 셀이 다른 하나의 메모리 셀 위에 위치하는 수직 셀 스트링들(CS)(또는 NAND 스트링들)을 포함한다. 적어도 하나의 메모리 셀은 전하 포획 레이어를 포함한다. 각 셀 스트링은 메모리 셀들(MC) 위에 위치하는 적어도 하나의 선택 트랜지스터를 더 포함한다. 적어도 하나의 선택 트랜지스터는 메모리 셀들(MC)과 동일한 구조를 갖고, 메모리 셀들(MC)과 함께 획일적으로 형성된다.
3차원 메모리 어레이가 복수의 레벨들로 구성되고, 레벨들 사이에서 워드 라인들 또는 비트 라인들이 공유되는 구성은 미국등록특허공보 제7,679,133호, 미국등록특허공보 제8,553,466호, 미국등록특허공보 제8,654,587호, 미국등록특허공보 제8,559,235호, 그리고 미국공개특허공보 제 2011/0233648호에 개시되어 있으며, 본 발명의 레퍼런스로 포함된다.
도 4는 불휘발성 메모리 장치(111)의 열화(Deterioration)에 따른 영향을 간략히 보여주는 도면이다. 도 4를 참조하면, 도 3에 도시된 메모리 셀들의 문턱 전압(Threshold voltage)은 열화에 의해서 제 1 상태 (i)에서 제 2 상태 (ii)로 변하게 된다. 여기서, 제 1 상태 (i) 및 제 2 상태 (ii)를 각각 나타내는 그래프의 가로축은 메모리 셀들의 문턱 전압을 가리키고, 세로축은 메모리 셀들의 개수를 가리킨다.
제 1 상태 (i)는 메모리 셀들에 데이터가 프로그램된 직후의 문턱 전압 산포를 예시적으로 보여준다. 하지만, 프로그램/소거 사이클이 증가되거나 읽기 횟수 등의 증가, 또는 다양한 열화 인자들로 인하여 메모리 셀의 문턱 전압은 열화된 상태인 제 2 상태 (ii)로 변하게 된다. 데이터가 기입된 후에, 교란(distrubance)이나 리텐션(retnetion)에 따른 메모리 셀의 열화가 발생할 수 있다. 교란은 메모리 셀들의 주변에서 발생하는 프로그램, 읽기, 소거, 커플링 등에 의해 메모리 셀들의 문턱 전압들이 변화하는 현상을 가리킨다. 리텐션은 메모리 셀들의 전하 포획층에 전하들이 포획되어 메모리 셀들이 프로그램된 후에, 시간이 지남에 따라 포획된 전하들이 유출되어 메모리 셀들의 문턱 전압들이 변화하는 현상을 가리킨다.
제 1 상태 (i)의 조건에서 메모리 셀들의 문턱 전압은 8개의 식별 가능한 상태들(S0~S7)을 나타낸다. 예를 들면, 소거 상태(SO)와 프로그램 상태(S1)는 읽기 전압(RDL1)을 사용하여 식별 가능하다. 그리고, 프로그램 상태(S6)와 프로그램 상태(S7)은 읽기 전압(RDL7)을 사용하여 식별될 수 있다. 하지만, 열화된 이후의 문턱 전압의 분포를 보여주는 제 2 상태 (ii)에서, 읽기 전압(RDL1)은 열화된 상태들(S0', S1')을 식별하기에는 적절하지 못한 값이 된다. 읽기 전압(RDL1)을 사용하여 열화된 상태들(S0', S1')에 해당하는 데이터를 센싱하는 경우, 정정 불가한 에러 비트가 발생할 수 있다. 최초 제공된 읽기 전압을 사용하여 열화된 메모리 셀을 센싱하는 경우, 치유가 불가한 에러를 유발할 수 있다. 이 경우, 스토리지 장치(110)는 정확한 읽기 전압(RDL1', …, RLD7')을 결정하기 위한 알고리즘(예를 들면, 벨리 서치)을 구동하게 될 것이다. 이 경우, 스토리지 장치(110)의 성능 저하와 리소스 소모로 인한 비용이 발생하게 된다.
본 발명에서는 상술한 치유가 불가한 에러가 발생하기 전에 열화의 특성에 따라 결정되는 읽기 전압(RDL1', …, RLD7')으로 스토리지 장치(110)의 읽기 동작 조건이 조정될 수 있다. 클라이언트-서버 모델로 제공되는 읽기 전압을 결정하기 위한 기계 학습 알고리즘에 의해서 다양한 조건에서 발생하는 열화 정보들이 분석될 수 있다. 따라서, 서버 장치(150)에 네트워크를 통해서 연결되는 모든 스토리지 장치들의 열화 정보를 기계 학습을 통해서 처리하면, 열화의 요인들이 조건별로 분류될 수 있다. 그리고 분류된 열화 조건들에 대응하는 스토리지 장치(110)별 최적 읽기 전압의 추정이 가능하다.
도 5는 본 발명의 스토리지 장치(110)의 동작을 예시적으로 보여주는 순서도이다. 도 2 및 도 5를 참조하여, 스토리지 장치(110)에서 열화 정보(DI)를 생성하고 전송하는 예시적 절차가 설명될 것이다. 하지만, 열화 정보(DI)의 종류나 범위는 여기의 게시에 국한되지 않음은 잘 이해될 것이다.
S110 단계에서, 스토리지 장치(110)는 클라이언트 장치(130)로부터의 읽기 요청이 존재하는지 모니터링한다. 클라이언트 장치(130)로부터의 읽기 요청이 수신되는 경우(Yes 방향), 절차는 S120 단계로 이동한다. 반면, 클라이언트 장치(130)로부터 읽기 요청이 존재하지 않는 경우(No 방향), 스토리지 장치(110)는 계속해서 읽기 요청의 수신을 모니터링할 것이다.
S120 단계에서, 스토리지 컨트롤러(113, 도 2 참조)는 읽기 요청된 데이터를 독출하기 위해 불휘발성 메모리 장치(111, 도 2 참조)에 읽기 명령어와 어드레스를 전달할 것이다. 불휘발성 메모리 장치(111)는 읽기 명령어와 어드레스에 응답하여 메모리 셀로부터 데이터를 센싱하여 스토리지 컨트롤러(113)에 출력할 것이다.
S130 단계에서, 스토리지 컨트롤러(113)는 불휘발성 메모리 장치(111)로부터 출력되는 데이터의 에러를 검출한다. 그리고 스토리지 컨트롤러(113)는 검출된 에러 비트의 수에 따라 동작 분기를 수행한다. 만일, 독출된 데이터의 에러 비트 수가 허용 가능한 수준이라면, 절차는 S170 단계로 이동한다. 하지만, 독출된 데이터의 에러 비트 수가 정정 불가능한 수준이라면, 절차는 S140 단계로 이동한다. 여기서, 허용 가능하다는 의미는 검출된 에러 비트의 수가 에러 정정 코드(ECC)를 통해서 정정될 수 있다는 의미이다.
S140 단계에서, 스토리지 컨트롤러(113)는 정정 불가 에러가 발생하는 시점에서 조정된 읽기 전압으로 불휘발성 메모리 장치(111)를 접근하는 제 1 재독출 동작(1st Read retry)을 수행한다. 제 1 재독출 동작에서는 스토리지 장치(110)의 출시 시점에 입력된 테이블(Pre-Defined Table, Temp bump Table)에 정의된 읽기 전압을 사용하여 불휘발성 메모리 장치(111)를 독출할 것이다. 테이블(Pre-Defined Table, Temp bump Table)은 디폴트 읽기 전압을 조정하기 위한 오프셋(offset) 값을 포함한다. 오프셋 값에 따른 읽기 전압을 사용하여 일회 또는 복수의 재독출 동작을 수행하게 될 것이다.
S145 단계에서, 스토리지 컨트롤러(113)는 재독출된 데이터에 대한 읽기 성공 여부를 결정한다. 예를 들면, 제 1 재독출 동작에 의해서 출력되는 데이터의 에러 비트의 수가 기준치 이하로 검출되는 경우, 읽기 성공으로 판단될 수 있다. 그러면, 절차는 S170 단계로 이동한다. 반면, 재독출에 의해서 출력되는 데이터의 에러 비트의 수가 기준치보다 많은 경우, 제 1 재독출 동작의 실패로 판단할 것이다. 그리고 철자는 S150 단계로 이동한다.
S150 단계에서, 스토리지 컨트롤러(113)는 제 2 재독출 동작(2nd Read retry)을 수행한다. 제 2 재독출 동작(2nd Read retry)은, 예를 들면, 열화된 메모리 셀들의 읽기 전압을 검출하기 위한 벨리 서치(Valley search) 동작이나, 다양한 셀 카운트 기법을 적용한 읽기 동작일 수 있다. 따라서, 제 2 재독출 동작은 상대적으로 많은 소요 시간과 리소스를 요구하는 동작이다. 제 2 재독출 동작(2nd Read retry)이 완료되면, 결정된 읽기 전압을 사용하여 불휘발성 메모리 장치(111)의 데이터를 독출할 것이다.
S155 단계에서, 스토리지 컨트롤러(113)는 제 2 재독출 동작의 성공 여부를 결정한다. 예를 들면, 제 2 재독출 동작의 결과로 출력되는 데이터의 에러 비트의 수가 기준치 이하로 검출되는 경우, 읽기 성공으로 판단될 수 있다. 그러면, 절차는 S170 단계로 이동한다. 반면, 제 2 재독출 동작의 결과로 출력되는 데이터의 에러 비트의 수가 기준치보다 많은 경우, 제 2 재독출 동작의 실패로 판단할 것이다. 그리고 철자는 S160 단계로 이동한다.
S160 단계에서, 스토리지 컨트롤러(113)는 클라이언트 장치(130)에 읽기 실패 메시지(Read fialure message)를 전송할 것이다.
S170 단계에서, 스토리지 컨트롤러(113)는 클라이언트 장치(130)에 독출된 데이터 또는 에러가 정정된 데이터를 전송할 것이다.
S180 단계에서, 스토리지 컨트롤러(113)는 각각의 상황에 대한 열화 정보를 클라이언트 장치(130)에 전송할 것이다. 예를 들면, 스토리지 컨트롤러(113)는 S145 단계에서 사용된 읽기 전압의 레벨, 프로그램/소거 횟수, 읽기 횟수, 데이터 리텐션 시간, 프로그램 또는 읽기 동작시의 온도 등의 상태 정보를 열화 정보(DI)로서 클라이언트 장치(130)에 제공할 수 있을 것이다. 또는, 스토리지 컨트롤러(113)는 S155 단계에서 사용된 읽기 전압의 레벨, 프로그램/소거 횟수, 읽기 횟수, 데이터 리텐션 시간, 프로그램 또는 읽기 동작시의 온도 등의 상태 정보를 열화 정보(DI)로서 클라이언트 장치(130)에 제공할 수 있을 것이다.
이상에서는 스토리지 장치(110)에서 열화 정보(DI)를 생성하여 클라이언트 장치(130)에 제공하는 예시가 간략히 설명되었다. 여기서, 열화 정보(DI)는 에러 비트 수를 기준으로 제공되는 것으로 설명되었으나, 본 발명은 여기에 국한되지 않는다. 예를 들면, 읽기 동작 중에 에러 비트 이외에도 검출되는 다양한 상태 정보들이 열화 정보(DI)로서 실시간으로 클라이언트 장치(130)에 전송될 수 있음은 잘 이해될 것이다.
도 6은 본 발명의 클라이언트 장치(130)를 개략적으로 보여주는 블록도이다. 도 6을 참조하면, 클라이언트 장치(130)는 스토리지 장치(110)로부터의 열화 정보(DI)를 수집하고, 수집된 열화 정보(CDI)를 네트워크(140)를 경유하여 서버 장치(150)로 전송할 수 있다. 클라이언트 장치(130)는 더불어 서버 장치(150)에서 제공되는 읽기 레벨 정보를 사용하여 특정 스토리지 장치(110)의 읽기 레벨을 결정할 수 있다. 일 실시 예에서, 클라이언트 장치(130)는 CPU(131), 워킹 메모리(133), 스토리지 인터페이스(135), 디스플레이 장치(137), 그리고 네트워크 인터페이스(139)를 포함할 수 있다.
CPU(131)는 클라이언트 장치(130)의 하드웨어들을 제어하기 위한 다양한 응용 프로그램이나 운영 체제와 같은 소프트웨어를 실행할 수 있다. 특히, CPU(131)는 워킹 메모리(133)에 로드되는 열화 정보 관리 모듈(132) 및 읽기 레벨 결정 모듈(134)을 실행한다. CPU(131)는 스토리지 인터페이스(135)를 통해 스토리지 장치(110)와 통신한다. 여기서, 스토리지 인터페이스(135)는 복수의 스토리지 장치들과 연결될 수 있음은 잘 이해될 것이다. CPU(131)는 네트워크 인터페이스(139)를 통해 네트워크(140)를 경유하여 서버 장치(150)와 통신할 수 있다.
열화 정보 관리 모듈(132)의 실행에 따라 CPU(131)는 스토리지 인터페이스(135)에 연결되는 제반 스토리지 장치들로부터 제공되는 열화 정보(DI)를 수신하고 수집한다. 열화 정보 관리 모듈(132)의 실행에 의해, CPU(131)는 수집된 열화 정보(CDI)를 네트워크(140)를 경유하여 서버 장치(150)로 전송한다. 열화 정보 관리 모듈(132)의 동작에 따라 클라이언트 장치(130)는 스토리지 장치들(110)로부터의 열화 정보(DI)를 지속적으로 서버 장치(150)에 전송할 것이다. 따라서, 서버 장치(150)에서는 지속적으로 제공되는 열화 정보(DI)에 의한 기계 학습이 실행될 수 있고, 다양한 환경과 이벤트에 대응하는 읽기 레벨의 지속적 업데이트가 가능하다.
읽기 레벨 결정 모듈(134)의 실행에 따라 CPU(131)는 네트워크 인터페이스(139)를 통해서 서버 장치(150)로부터 전달되는 읽기 레벨 정보(RLI)를 수신한다. 읽기 레벨 결정 모듈(134)은 수신된 읽기 레벨 정보(RLI)를 사용하여 읽기 레벨의 조정이 필요한 스토리지 장치(110)의 읽기 레벨을 결정한다. 읽기 레벨 결정 모듈(134)에 의해서 결정된 읽기 레벨(RL)은 스토리지 인터페이스(135)를 경유하여 대응하는 스토리지 장치(110)에 전달될 것이다.
디스플레이 장치(137)는 클라이언트 장치(130)의 동작이나 입출력 상황을 사용자에게 표시하는 장치이다. 필요에 따라 디스플레이 장치(137)는 클라이언트 장치(130)에 구비되지 않아도 무방하다.
도 7은 도 6의 클라이언트 장치에서 실행되는 열화 정보 관리 모듈(132)의 동작을 예시적으로 보여주는 순서도이다. 도 7을 참조하면, 클라이언트 장치(130)는 스토리지 장치(110)로부터 제공되는 열화 정보(DI)를 수집하고, 수집된 열화 정보를 서버 장치(150)로 전송할 수 있다.
S210 단계에서, 클라이언트 장치(130)는 스토리지 인터페이스(135)를 통해서 스토리지 장치(110)로부터 전송되는 다양한 데이터 중에서 열화 정보(DI)가 존재하는지 검출할 것이다.
S220 단계에서, 클라이언트 장치(130)는 열화 정보(DI)의 수신이 검출되면 동작 분기를 수행할 수 있다. 즉, 복수의 스토리지 장치들 중 적어도 하나로부터 열화 정보(DI)가 전달된 것으로 판단되면, 절차는 S230 단계로 이동한다. 반면, 열화 정보(DI)가 존재하지 않는 것으로 판단되면, 클라이언트 장치(130)는 열화 정보(DI)의 검출 동작을 지속할 것이다.
S230 단계에서, CPU(131)에서 실행되는 열화 정보 관리 모듈(132)의 검출 알고리즘에 따라 클라이언트 장치(130)는 각각의 스토리지 장치들로부터 제공되는 열화 정보(DI)를 수집할 것이다. 수집된 열화 정보(DI)는 클라이언트 장치(130)에 구비된 메모리에 저장할 것이다.
S240 단계에서, 클라이언트 장치(130)는 수집된 열화 정보(CDI)가 서버 장치(150)로의 전송 조건을 충족하는지 판단한다. 만일, 서버 장치(150)로 전송할 조건에 충족되는 경우라면, 절차는 S250 단계로 이동한다. 하지만, 수집된 열화 정보(CDI)가 서버 장치(150)로 전송할 조건을 충족하지 못하면, 절차는 S210 단계로 복귀한다.
S250 단계에서, 클라이언트 장치(130)는 수집된 열화 정보(CDI)를 서버 장치(150)로 전송한다.
이상에서는 클라이언트 장치(130)가 열화 정보(DI)를 수집하고, 수집된 열화 정보가 서버 장치(150)로 전송되는 예가 설명되었다. 하지만, 열화 정보(DI)는 클라이언트 장치(130)에 축적되지 않고 즉시 서버 장치(150)로 전송될 수도 있음은 잘 이해될 것이다.
도 8은 도 6의 클라이언트 장치에서 실행되는 읽기 레벨 결정 모듈(134)의 동작을 예시적으로 보여주는 순서도이다. 도 8을 참조하면, 클라이언트 장치(130)는 서버 장치(150)로부터 기계 학습을 통해서 결정된 읽기 레벨 정보(RLI)에 근거하여 개별 스토리지 장치들의 최적 읽기 레벨을 결정할 수 있다.
S310 단계에서, 클라이언트 장치(130)는 네트워크 인터페이스(139)를 통해서 서버 장치(150)로부터 전송되는 읽기 레벨 정보(RLI)를 수신한다. 읽기 레벨 정보(RLI)는 다양한 열화 상태들 각각에서의 최적 읽기 레벨(Optimum Read Level)을 포함한다.
S320 단계에서, 클라이언트 장치(130)는 클라이언트 장치(130)가 관리하는 복수의 스토리지 장치들 중에서 읽기 레벨 정보(RLI)에 매칭되는 열화 상태의 스토리지 장치가 존재하는지 검출한다. 또는, 클라이언트 장치(130)는 복수의 스토리지 장치들 중에서 읽기 레벨 정보(RLI)에 근접하게 매칭되는 열화 상태의 스토리지 장치가 존재하는지 검출할 수도 있다.
S330 단계에서, 읽기 레벨 정보(RLI)에 규정된 열화 상태에 대응하는 스토리지 장치(130)가 존재하는 것으로 판단되면, 절차는 S340 단계로 이동한다. 하지만, 서버 장치(150)로부터 제공된 읽기 레벨 정보(RLI)에 대응하는 열화 조건의 스토리지 장치(130)가 검출되지 않는 것으로 판단되면, 절차는 S310 단계로 복귀한다.
S340 단계에서, 클라이언트 장치(130)는 특정 스토리지 장치(110)에 대한 읽기 레벨(RL)을 결정한다.
S350 단계에서, 클라이언트 장치(130)는 S340 단계에서 결정된 읽기 레벨(RL)과 이전 읽기 레벨(RL')을 비교한다.
S360 단계에서, 결정된 읽기 레벨(R L)과 이전 읽기 레벨(RL')의 비교 결과에 따라 동작 분기가 수행된다. 만일, 새롭게 결정된 읽기 레벨(RL)과 이전의 읽기 레벨(RL')이 동일한 경우(Yes 방향), 절차는 S310 단계로 복귀한다. 하지만, 새롭게 결정된 읽기 레벨(RL)과 이전의 읽기 레벨(RL')이 다른 경우(No 방향), 절차는 S370 단계로 이동한다.
S370 단계에서, 클라이언트 장치(130)는 새롭게 결정된 읽기 레벨(RL)로 스토리지 장치(110)의 읽기 조건을 설정할 것이다.
이상에서는 클라이언트 장치(130)에서 수행되는 열화 정보(DI)의 수집 및 전송 동작과, 읽기 레벨 정보(RLI)를 사용한 개별 스토리지 장치들에 대한 읽기 레벨 결정 동작이 간략히 설명되었다.
도 9는 본 발명의 서버 장치(150)의 구성을 예시적으로 보여주는 블록도이다. 도 9를 참조하면, 서버 장치(150)는 프로세서(151), 워킹 메모리(153), 네트워크 인터페이스(155), 그리고 사용자 인터페이스(157)를 포함할 수 있다.
프로세서(151)는 서버 장치(150)가 수행하는 다양한 알고리즘의 소프트웨어모듈들을 구동한다. 예를 들면, 프로세서(151)는 서버 장치(150)의 주요 기능을 위해 응용 프로그램, 운영 체제, 장치 드라이버들을 워킹 메모리(153)나 롬과 같은 메모리로부터 호출하여 실행할 수 있다. 특히, 프로세서(151)는 초기 열화 정보(Initial DI) 및 수집된 열화 정보(DI)를 기초로 기계 학습을 적용하여 읽기 레벨을 결정하기 위한 열화 정보 수집 모듈(152), 기계 학습 모듈(154), 그리고 읽기 레벨 예측 모듈(156)을 실행할 수 있다.
워킹 메모리(153)에는 운영 체제(OS), 응용 프로그램들(Application Program), 그리고 다양한 처리 데이터들이 로드될 수 있다. 특히, 워킹 메모리(153)는 빅데이터 형태의 열화 정보(DI)를 처리하여 스토리지 장치(110)의 읽기 레벨을 예측하기 위한 열화 정보 수집 모듈(152), 기계 학습 모듈(154), 그리고 읽기 레벨 예측 모듈(156)을 로드할 수 있다.
네트워크 인터페이스(155)는 서버 장치(150)와 클라이언트 장치(130) 사이에 데이터 교환을 위한 통신 채널을 제공한다. 네트워크 인터페이스(155)를 통해서 서버 장치(150)는 수집된 열화 정보(CDI)를 클라이언트 장치(130)로부터 제공받을 수 있다. 그리고 네트워크 인터페이스(155)를 통해서 서버 장치(150)는 기계 학습(ML)을 통해서 생성된 읽기 레벨 정보(RLI)를 클라이언트 장치(130)에 전송할 수 있다. 네트워크 인터페이스(155)는 유선 또는 무선의 다양한 통신 규격에 따라 제공될 수 있음은 잘 이해될 것이다.
사용자 인터페이스(157)는 서버 장치(150)와 사용자 사이에 인터페이싱을 제공한다. 사용자 인터페이스(157)는 다양한 입출력 장치를 포함할 수 있다. 사용자 인터페이스를 통해서 서버 장치(150)로의 초기 열화 정보(Initial DI: IDI)가 제공될 수 있다.
이상에서의 설명에 따르면, 서버 장치(150)는 클라이언트 장치(130)로부터 제공된 수집된 열화 정보(CDI)와 사용자에 의해서 제공되는 초기 열화 정보(IDI)를 기반으로 실시간 최적 읽기 레벨 정보(Optimum RLI)를 생성할 수 있다. 그리고 서버 장치(150)는 최적 읽기 레벨 정보(Optimum RLI)를 클라이언트 장치(130)로 전송할 수 있다. 더불어, 서버 장치(150)는 최적 읽기 레벨 정보(Optimum RLI)를 주기적으로 또는 필요시 업데이트할 수 있다. 따라서, 새로운 열화 정보(DI)가 제공되면 새로운 열화 정보에 대한 징후를 업데이트하여 클라이언트 장치(130)로 제공할 수 있다.
도 10은 도 9의 서버 장치(150)에서 수행되는 최적 읽기 레벨의 결정 방법을 간략히 보여주는 순서도이다. 도 9 및 도 10을 참조하여, 본 발명의 서버 장치(150)에서 수행되는 동작이 설명될 것이다.
S410 단계에서, 서버 장치(150)는 사용자 인터페이스(157)나 별도로 구비되는 데이터 저장 장치에 존재하는 초기 열화 정보(IDI)를 획득한다. 초기 열화 정보(IDI)는 스토리지 장치(110)의 생산시에 제조사에서 테스트를 통해서 획득한 열화 정보이다. 따라서, 서버 장치(150)에서 관리하는 다수의 스토리지 장치들 모두의 열화 정보를 반영하기는 어렵다.
S420 단계에서, 서버 장치(150)는 네트워크 인터페이스(155)를 경유하여 전달되는 수집된 온라인 열화 정보(DI)의 존재를 검출한다. 이러한 S410 단계 및 S420 단계에서 수행되는 열화 정보의 수집은 열화 정보 수집 모듈(152)의 구동에 따라 실행될 수 있다. 만일, 네트워크 인터페이스(155)를 통해서 수집되는 온라인 열화 정보(DI)가 존재하지 않는 경우, 온라인 열화 정보(DI)가 전달될 때까지 대기한다. 반면, 클라이언트 장치(130)로부터 전송된 온라인 열화 정보(DI)가 존재하는 경우, 절차는 S430 단계로 이동한다.
S430 단계에서, 서버 장치(150)는 초기 열화 정보(IDI)와 온라인 열화 정보(ODI)를 사용하여 기계 학습(ML)을 수행한다. 그리고 기계 학습의 결과로 도출된 열화의 요인들을 참조하여 스토리지 장치들의 읽기 레벨을 결정할 것이다. 기계 학습과 읽기 레벨의 결정을 위해 서버 장치(150)는 기계 학습 모듈(154) 및 읽기 레벨 예측 모듈(156)을 실행할 수 있다.
S440 단계에서, 열화 정보 수집 모듈(152)에 서버 장치(150)는 의해서 클라이언트 장치(130)로부터 새로운 열화 정보가 수신되는지 검출할 수 있다. 만일, 새로운 열화 정보(DI)가 존재하는 경우, 절차는 S430 단계로 복귀할 것이다. 그리고 서버 장치(150)는 이전에 사용된 열화 정보 빅데이터와 새롭게 수신된 열화 정보를 사용한 기계 학습 및 읽기 레벨 결정을 수행할 것이다. 하지만, 기준 시간 이내에 새로운 열화 정보의 수신이 검출되지 않은 경우, 절차는 S450 단계로 이동할 것이다.
S450 단계에서, 서버 장치(150)는 결정된 읽기 레벨 정보(RLI)를 클라이언트 장치(130)로 전송할 것이다.
이상에서는 서버 장치(150)에서 수행되는 열화 정보의 수집을 통해서 빅데이터를 형성하고, 빅데이터에 대한 기계 학습을 통해서 열화의 요인을 찾을 수 있다. 그리고 검출된 열화의 요인을 참조하여 각각의 열화 상태에 대한 스토리지 장치들의 읽기 레벨이 결정될 수 있다.
도 11은 도 10의 기계 학습 및 읽기 레벨의 결정이 수행되는 S430 단계를 좀더 구체적으로 설명하는 순서도이다. 도 11을 참조하면, 서버 장치(150)는 초기 열화 정보(INI) 및 클라이언트 장치들로부터 제공된 온라인 열화 정보(DI)를 기계 학습을 통해서 처리하고, 그 결과에 따라 최적 읽기 레벨을 생성할 수 있다.
S431 단계에서, 서버 장치(150)는 빅데이터 형태로 제공되는 초기 열화 정보(INI) 및 온라인 열화 정보(DI)에서 특이값(Outlier)을 검출 및 제거한다. 빅데이터에 특이값이 존재하게 되면, 기계 학습 성능이 심각하게 떨어질 수 있다. 따라서, 서버 장치(150)는 특이값을 제거하기 위한 특이값 검출 동작을 수행한다. 특이값 검출을 위한 알고리즘의 예로는 확률 분포 기반 특이값 검출법(Statistical distribution-Based outlier detection)과 같은 기술이 활용될 수 있을 것이다. 초기 열화 정보(INI) 및 온라인 열화 정보(DI)의 특이값이 검출되면, 특이값을 빅데이터에서 제거한다.
S433 단계에서, 서버 장치(150)는 방대한 양의 빅데이터에 대한 축소 처리를 수행한다. 특이값이 제공된 빅데이터에서 불휘발성 메모리 장치의 열화에 영향을 미치는 핵심 요인을 추출하기 위해서는 차원 축소 기술이 적용될 수 있다. 차원 축소 기술로, 예를 들면, PCA(Principal Component Analysis), SVD(Singular Value Decomposition), NMF(Non-negative Matrix Factorization) 등이 사용될 수 있다.
S434 단계에서, 의미있는 열화 정보들 상호간의 상관 관계를 파악하기 위한 기계 학습(Machine Learning)이 수행된다. 기계 학습을 통해서 열화 상태들에 대응하는 최적 읽기 레벨이 테이블 형태로 구성될 수도 있을 것이다. 또는 선별된 데이터를 기반으로 보간(Interpolation)이나 선형 회귀법(Linear Regression)을 이용하여 읽기 레벨(RL)에 대응하는 수식을 도출할 수 있다. 수식이 도출되면, 도출된 수식에 부합하는 연속값을 사용하면 읽기 레벨의 예측이 가능하다. 더불어, 기계 학습의 일 예로 분류 기법(Classification)이 사용될 수 있다. 분류 기법의 예로 데이터 기반의 결정 트리(Decision tree)를 구성하여 열화 정보에 대응하는 읽기 레벨이 예측될 수 있다. 여기서, 선형 회귀법으로는 멀티 회귀 분석법(Multiple Regression Analysis), 로지스틱 회귀 분석법(Logistic Regression), 란삭(RANSAC: RANdom SAmple Consensus) 등이 적용될 수 있다. 더불어, 분류 기법으로 랜덤 포레스트(Random Forest), 아다부스트(AdaBoost) 등의 기법들이 사용될 수 있다.
이상에서는 서버 장치(150)의 기계 학습(ML) 기법이 예시적으로 설명되었다. 하지만, 기계 학습이나 기계 학습을 위한 서버 장치(150)의 전처리 과정은 다양하게 변경될 수 있음은 잘 이해될 것이다.
도 12는 본 발명의 실시 예에 따른 클라이언트-서버 모델을 사용하여 제어되는 스토리지 장치의 동작을 보여주는 도면이다. 도 12를 참조하면, 스토리지 장치(110)에서 제공된 실시간 열화 정보(DI)에 응답하여 클라이언트 장치(130)와 서버 장치(150)는 기계 학습을 적용하여 최적의 읽기 레벨로 되돌려 줄 수 있다. 따라서, 다양한 열화 상태와 폭넓은 상태 정보가 기계 학습에 사용되기 때문에 특정 스토리지 장치의 열화 상태에 대한 최적의 읽기 레벨의 제공이 가능하다.
S10 단계에서 스토리지 장치(110)가 열화 정보를 생성할 수 있다. 예를 들면, 스토리지 장치(110)의 독출 데이터에 정정 불가 에러가 검출되는 경우를 가정할 수 있다. 이 경우, 스토리지 장치(110)는 정정 불가 에러(Uncorrectable Error)가 발생한 시점에서의 읽기 레벨, 메모리 영역의 위치, 프로그램/소거 횟수, 리텐션 시간, 온도 정보 등을 포함하는 열화 정보(DI)를 생성할 수 있다.
S11 단계에서, 스토리지 장치(110)는 생성된 열화 정보(DI)를 클라이언트 장치(130)에 전송한다. 클라이언트 장치(130)에는 복수의 스토리지 장치들(110)이 연결될 수 있다. 따라서, 클라이언트 장치(130)는 복수의 스토리지 장치들(110)로부터 열화 정보(DI)를 수신할 수 있다.
S21 단계에서, 클라이언트 장치(130)는 열화 정보를 수집한다. 클라이언트 장치(130) 수집된 열화 정보를 축적하여 메모리에 저장할 수 있을 것이다.
S23 단계에서, 클라이언트 장치(130)는 수집된 열화 정보(DI)를 서버 장치(150)로 전송한다.
S31 단계에서, 서버 장치(150)는 복수의 클라이언트 장치들(130)로부터 제공된 열화 정보(DI)를 빅데이터로 사용하여 기계 학습을 수행할 수 있다. 그리고 기계 학습의 결과로 특정 조건들이나 열화 상태에서의 읽기 레벨(RL)을 결정할 수 있다.
S32 단계에서, 서버 장치(150)는 결정된 읽기 레벨(RL)을 클라이언트 장치(130)에 전달한다. 여기서, 읽기 레벨은 테이블이나 다양한 맵핑 정보로 제공될 수 있을 것이다.
S41 단계에서, 클라이언트 장치(130)는 읽기 레벨(RL)을 이용하여 특정 열화 상태에서의 스토리지 장치(110)의 읽기 전압을 결정할 수 있다.
S42 단계에서, 클라이언트 장치(130)는 결정된 읽기 전압을 사용하여 데이터를 독출하도록 스토리지 장치(110)를 제어할 것이다.
이상에서는 클라이언트-서버 모델을 사용하여 스토리지 장치의 다양한 열화 정보를 수집하고, 수집된 빅데이터에 대한 기계 학습을 통해 스토리지 장치(110)의 정확한 읽기 레벨의 선택이 가능함이 설명되었다.
도 13은 본 발명의 다른 실시 예에 따른 클라이언트-서버 모델의 메모리 시스템(200)을 보여주는 블록도이다. 도 13을 참조하면, 다른 실시 예에 따른 메모리 시스템(200)은 스토리지 장치(210), 클라이언트 장치(230), 그리고 서버 장치(250)를 포함한다. 클라이언트 장치(230) 및 서버 장치(250)는 수집된 열화 정보(DI)를 사용한 기계 학습을 수행하여 스토리지 장치(210)의 최적 읽기 레벨을 실시간으로 제공하는 인공 지능(AI)을 구축한다. 더불어, 구축된 인공 지능(AI)의 성능을 평가하여 최적 성능의 인공 지능(AI) 모델을 유지할 수 있다.
스토리지 장치(210)는 도 1의 스토리지 장치와 실질적으로 동일하다. 스토리지 장치(210)는 적어도 하나의 불휘발성 메모리 장치(Non-volatile memory device: 이하, NVM)를 포함하고, 불휘발성 메모리 장치(NVM)의 열화 정보(DI)를 클라이언트 장치(230)에 제공한다. 그리고 스토리지 장치(210)는 클라이언트 장치(230)로부터 결정된 읽기 레벨(RL)에 대한 정보를 수신한다. 더불어, 스토리지 장치(210)는 주기적으로 또는 필요시 업데이트된 읽기 레벨(RL)의 적용에 따른 성능 정보를 클라이언트 장치(230)로 제공할 수 있다.
클라이언트 장치(230)는 스토리지 장치(110)로부터 제공되는 열화 정보(DI)를 수집한다. 클라이언트 장치(230)는 수집된 열화 정보(CDI)를 서버 장치(250)로 전송하고, 수집된 열화 정보(CDI)에 대응하는 방어 인공 지능(D-AI)을 요구한다. 예를 들면, 클라이언트 장치(230)는 열화 정보(DI)의 감지, 수집 및 전송을 수행하는 열화 정보 관리 모듈(232)을 포함할 수 있다. 그리고 클라이언트 장치(230)는 새로운 열화 정보(DI)의 감지에 응답하여 새로운 버전의 방어 인공 지능(D-AI)을 서버 장치(250)에 요구하는 방어 인공 지능 요청 모듈(236)을 포함할 수 있다.
더불어, 클라이언트 장치(230)는 클라이언트 측에서의 읽기 레벨을 결정하는 읽기 레벨 결정 모듈(234)을 포함할 수 있다. 읽기 레벨 결정 모듈(234)은 서버 장치(250)에서 제공되는 방어 인공 지능(D-AI)으로 업데이트될 수 있다. 즉, 읽기 레벨 결정 모듈(234)은 클라이언트 측의 방어 인공 지능(D-AI)에 해당한다. 클라이언트 장치(230)는 새롭게 형성된 방어 인공 지능(D-AI)에 대한 평가 기능을 갖는다. 방어 인공 지능(D-AI)의 평가 기능은 방어 인공 지능 평가 모듈(238)에 의해서 수행될 수 있다. 방어 인공 지능 평가 모듈(238)은 스토리지 장치(210)로부터 제공되는 성능 정보(Performance Info.)를 참조하여 이전 버전의 방어 인공 지능(D-AI)의 성능과 업데이트된 방어 인공 지능(D-AI)의 성능을 비교 평가한다. 그리고 평가 결과(EVAL)를 서버 장치(250)로 전달한다. 평가 결과(EVAL)는 예를 들면 보상(Reward) 정보나 처벌(Punishment) 정보일 수 있다.
서버 장치(250)는 수집된 열화 정보(CDI)와 초기 열화 정보(Initial DI)를 기계 학습을 통해서 분석하는 기계 학습 모듈(151)을 포함할 수 있다. 그리고 서버 장치(250)는 기계 학습(ML)을 빅데이터로부터 획득한 정보를 사용하여 제반 열화 상태에 대응하는 읽기 레벨을 예측하는 읽기 레벨 예측 모듈(253)을 포함할 수 있다. 읽기 레벨 예측 모듈(253)은 서버측 방어 인공 지능(Server side D-AI)에 대응한다. 서버 장치(250)는 더불어 클라이언트 장치(230)로부터 제공되는 평가 정보(EVAL)를 기반으로 현재 버전의 읽기 레벨 예측 모듈(253)에 대한 보상 및 처벌을 수행하는 보상 및 처벌 모듈(255)을 포함한다.
서버 장치(250)는 클라이언트 장치(230)의 수집된 열화 정보(CDI) 및 방어 인공 지능 요청(REQ)에 응답하여 새로운 버전의 방어 인공 지능(D-AI)을 클라이언트 장치(230) 및 서버 장치(250)에 구축한다. 방어 인공 지능(D-AI)은 업데이트된 읽기 레벨 결정 모듈(234)과 읽기 레벨 추정 모듈(235)로 구성된다. 그리고 서버 장치(250)와 클라이언트 장치(230)는 새로운 버전의 방어 인공 지능(D-AI)에 대한 평가를 수행하고 그 결과를 방어 인공 지능(D-AI)에 적용한다. 즉, 클라이언트 장치(230) 및 서버 장치(250)는 방어 인공 지능(D-AI)에 대한 강화 학습을 수행하여 최적 성능의 방어 인공 지능(D-AI)을 유지한다.
도 14는 강화 학습을 위한 클라이언트 장치(230)의 동작을 간략히 보여주는 순서도이다. 도 14를 참조하면, 클라이언트 장치(230)의 읽기 레벨 결정 모듈(또는 방어 인공 지능)의 평가와 업데이트 방법이 도시되어 있다.
S510 단계에서, 클라이언트 장치(230)는 스토리지 장치(210)로부터 열화 정보(DI)가 전달되는지 모니터링하고 검출한다. 열화 정보(DI)의 전달을 검출하면, 클라이언트 장치(230)는 전달된 열화 정보(DI) 또는 수집된 열화 정보(CDI)를 서버 장치(250)로 전달할 것이다.
S520 단계에서, 클라이언트 장치(230)는 스토리지 장치(210)로부터의 열화 정보(DI)에 응답하여 서버 장치(250)로 새로운 버전의 방어 인공 지능(D-AI)을 요청한다. 즉, 현재 클라이언트 장치(230)는 구동 중인 방어 인공 지능(D-AI)에 의해서 결정된 읽기 레벨(RL)의 조정이 필요한 것으로 판단한다. 방어 인공 지능(D-AI)의 요청은 도 13에 도시된 방어 인공 지능 요청 모듈(236)에 의해서 수행될 수 있다.
S530 단계에서, 클라이언트 장치(230)는 서버 장치(250)로부터의 새로운 방어 인공 지능(D-AI)을 수신했는지 모니터링 한다. 만일, 새로운 방어 인공 지능(D-AI)이 서버 장치(250)로부터 수신되지 못한 것으로 검출되면(No 방향), 클라이언트 장치(230)는 새로운 방어 인공 지능(D-AI)이 수신될 때까지 대기한다. 하지만, 새로운 방어 인공 지능(D-AI)이 수신된 것으로 검출되면(Yes 방향), 절차는 S540 단계로 이동한다.
S540 단계에서, 클라이언트 장치(230)는 서버 장치(250)로부터 전달된 새로운 방어 인공 지능(D-AI)을 실행할 것이다. 새로운 방어 인공 지능(D-AI)의 실행에 따라 서버 장치(250)와 클라이언트 장치(230)의 읽기 레벨 결정 모듈(234, 253)은 변경된다. 그리고 변경된 읽기 레벨 결정 모듈들에 의해서 새로운 읽기 레벨(RL')이 생성되어 스토리지 장치(210)에 전달될 것이다.
S550 단계에서, 클라이언트 장치(230)는 스토리지 장치(210)로부터 새로운 읽기 레벨(RL')에 대한 성능 정보(Performance Information)를 수신한다. 성능 정보는 예를 들면, 독출된 데이터의 에러 발생 여부 또는 검출된 에러 비트 수를 기준으로 구성될 수 있다. 하지만, 성능 정보의 카테고리는 여기의 게시에 국한되지 않음은 잘 이해될 것이다.
S560 단계에서, 클라이언트 장치(230)는 성능 정보를 사용하여 현재 구동되는 방어 인공 지능(D-AI)의 성능을 평가할 것이다. 방어 인공 지능(D-AI)의 성능 평가는 방어 인공 지능 평가 모듈(238)에 의해서 수행될 수 있다. 방어 인공 지능 평가 모듈(238)은 현재 실행중인 방어 인공 지능(D-AI)과 이전에 구동된 방어 인공 지능(D-AI)의 성능을 평가할 것이다.
S570 단계에서, 클라이언트 장치(230)는 성능 평가의 결과에 따라 동작 분기를 수행한다. 현재의 방어 인공 지능(Current D-AI)의 성능이 이전 방어 인공 지능(Previous D-AI)의 성능보다 좋지 못한 것으로 판단되면(Previous 방향), 절차는 S580 단계로 이동한다. 하지만, 현재의 방어 인공 지능(Current D-AI)의 성능이 이전 방어 인공 지능(Previous D-AI)의 성능보다 좋은 것으로 판단되면(Current 방향), 절차는 S590 단계로 이동한다.
S580 단계에서, 클라이언트 장치(230)는 클라이언트 장치(230)에서 현재 실행중인 버전의 방어 인공 지능(Current D-AI)을 이전에 사용하던 버전의 방어 인공 지능(Previous D-AI)으로 교체한다. S585 단계에서, 클라이언트 장치(230)는 서버 장치(250)로 처벌 정보(Punishment data)를 전송한다.
S590 단계에서, 클라이언트 장치(230)는 클라이언트 장치(230)에서 현재 실행중인 버전의 방어 인공 지능(Current D-AI)을 유지한다. 그리고 S595 단계에서, 클라이언트 장치(230)는 서버 장치(250)로 보상 정보(Reward data)를 전송한다.
이상에서는 클라이언트 장치(230)에서 실행되는 강화 학습을 위한 방어 인공 지능(D-AI)의 기능이 설명되었다. 클라이언트 장치(230)에서는 실행되는 방어 인공 지능(D-AI)에 대한 평가 정보를 서버 장치(250)에 전송하는 식으로 강화 학습을 수행한다.
도 15는 강화 학습을 위한 서버 장치(250)의 동작을 간략히 보여주는 순서도이다. 도 15를 참조하면, 서버 장치(250)의 읽기 레벨 결정 모듈(또는 방어 인공 지능)의 평가와 업데이트 방법이 도시되어 있다.
S610 단계에서, 서버 장치(250)는 클라이언트 장치(230)로부터 새로운 버전의 방어 인공 지능(D-AI)의 요청을 수신한다.
S620 단계에서, 서버 장치(250)는 클라이언트 장치(230)로부터의 요청에 응답하여 새로운 버전의 방어 인공 지능(D-AI)을 선택한다. 새로운 버전의 방어 인공 지능(D-AI)은 요청을 전달한 클라이언트 장치(230)의 특징에 따라 선택될 수 있을 것이다. 예를 들면, 클라이언트 장치(230)에서 제공되는 열화 정보(DI) 등의 이력을 참조하여 새로운 버전의 방어 인공 지능(D-AI)의 선택이 가능할 것이다.
S630 단계에서, 서버 장치(250)는 선택된 새로운 버전의 방어 인공 지능(D-AI)을 클라이언트 장치(230)로 전송한다. 그러면, 클라이언트 장치(230)는 전달된 새로운 버전의 방어 인공 지능(D-AI)을 실행하고 그 결과를 평가한다. 평가가 완료되면, 클라이언트 장치(230)는 평가 결과(EVAL)를 전송할 것이다.
S640 단계에서, 서버 장치(250)는 클라이언트 장치(230)로부터 새로운 버전의 방어 인공 지능(D-AI)의 평가 결과를 수신했는지 모니터링한다. 만일, 평가 결과(EVAL)를 수신하지 못한 것으로 검출되면(No 방향), 서버 장치(250)는 계속해서 평가 결과(EVAL)의 수신 여부를 모니터링할 것이다. 하지만, 평가 결과(EVAL)가 수신된 것으로 판단되면, 절차는 S650 단계로 이동한다.
S650 단계에서, 서버 장치(250)는 평가 결과(EVAL)에 따라 동작 분기를 수행한다. 만일, 평가 결과(EVAL)가 처벌(Punishment)에 해당하는 경우, 절차는 S660 단계로 이동할 것이다. 하지만, 평가 결과(EVAL)가 보상(Reward)에 해당하는 경우, 절차는 S670 단계로 이동한다.
S660 단계에서, 서버 장치(250)는 서버측에서 현재 실행중인 방어 인공 지능(Current D-AI_S)을 이전 버전의 방어 인공 지능(Previosu D-AI_S)으로 교체한다.
S670 단계에서, 서버 장치(250)는 서버측에서 현재 실행중인 방어 인공 지능(Current D-AI_S)을 유지할 것이다. 또는, 서버 장치(250)는 수신된 열화 정보(DI)를 이용하여 현재 실행중인 서버측 방어 인공 지능(Current D-AI_S)을 업데이트할 수도 있다.
이상에서는 서버 장치(230)에서 실행되는 강화 학습을 위한 방어 인공 지능(D-AI)의 평가 및 업데이트 기능이 설명되었다. 서버 장치(250)에서는 클라이언트 장치(230)로부터 제공되는 평가 정보를 기반으로 최적의 읽기 전압을 결정하기 위한 서버측 방어 인공 지능(D-AI_S)을 구축할 수 있다.
도 16은 도 13의 클라이언트-서버 모델을 적용한 스토리지 장치의 동작을 보여주는 도면이다. 도 16을 참조하면, 클라이언트 장치(230)와 서버 장치(250)에 구축되는 방어 인공 지능(D-AI)은 강화 학습을 통해서 최적 성능을 보장할 수 있는 읽기 레벨을 스토리지 장치(210)에 실시간으로 공급할 수 있다.
S51 단계에서, 스토리지 장치(210)는 열화 정보(DI)를 생성하여 클라이언트 장치(230)로 전송한다. 스토리지 장치(210)의 독출 데이터에 정정 불가 에러가 검출되는 경우를 가정할 수 있다. 스토리지 장치(210)는 정정 불가 에러(Uncorrectable Error)가 발생한 시점에서의 읽기 레벨, 메모리 영역의 위치, 프로그램/소거 횟수, 리텐션 시간, 온도 정보 등을 포함하는 열화 정보(DI)를 생성할 수 있다.
S52 단계에서, 클라이언트 장치(230)는 열화 정보(DI)의 전달에 응답하여 새로운 버전의 방어 인공 지능(D-AI)을 서버 장치(250)에 요청한다.
S53 단계에서, 서버 장치(250)는 클라이언트 장치(230)에 대응하는 새로운 버전의 방어 인공 지능(D-AI)을 선택한다.
S54 단계에서, 서버 장치(250)는 선택된 새로운 방어 인공 지능(D-AI)을 클라이언트 장치(230)로 전송한다.
S55 단계에서, 클라이언트 장치(230)는 서버 장치(250)로부터 전달된 새로운 버전의 클라이언트측 방어 인공 지능(D-AI)을 실행할 것이다. 그리고 클라이언트측 방어 인공 지능(D-AI)의 실행에 따라 열화 정보(DI)를 전달한 스토리지 장치(210)의 읽기 레벨이 결정된다.
S56 단계에서, 클라이언트 장치(230)는 결정된 새로운 읽기 레벨(New RL)을 스토리지 장치(210)로 전송한다.
S57 단계에서, 스토리지 장치(210)는 새로운 읽기 레벨(New RL)의 효용성을 판단하여 성능 정보로 생성한다.
S61 단계에서, 스토리지 장치(210)는 성능 정보를 클라이언트 장치(230)에 제공한다.
S62 단계에서, 클라이언트 장치(230)는 성능 정보를 사용하여 현재 실행되는 방어 인공 지능(D-AI)을 평가한다. 예를 들면, 이전에 실행되었던 방어 인공 지능(D-AI)과 현재 실행중인 방어 인공 지능(D-AI)의 성능을 비교할 수 있다.
S63 단계에서, 클라이언트 장치(230)는 성능 비교 결과에 따른 동작 분기가 수행된다. 현재 실행중인 버전의 방어 인공 지능(D-AI)이 더 나은 성능을 나타내는 경우, S64 단계가 실시된다. S64 단계에서, 클라이언트 장치(230)는 보상 데이터(Reward data)를 서버로 전송한다. 반면, 이전에 실행되었던 방어 인공 지능(D-AI)이 더 낳은 성능을 나타내는 경우, S66 단계가 실시된다. S66 단계에서, 클라이언트 장치(230)는 처벌 데이터(Punishment data)를 서버 장치(250)로 전송할 것이다.
S65 단계에서, 서버 장치(250)는 보상 데이터(Reward data)에 응답하여 방어 인공 지능(D-AI)을 업그레이드할 수 있다. 반면, S67 단계에서, 서버 장치(250)는 처벌 데이터(Punishment data)에 응답하여 방어 인공 지능(D-AI)의 버전을 이전 버전으로 복구시킬 수 있다.
이상에서는 본 발명의 강화 학습 기반의 클라이언트-서버 메모리 시스템에 대한 동작이 간략히 설명되었다.
위에서 설명한 내용은 본 발명을 실시하기 위한 구체적인 예들이다. 본 발명에는 위에서 설명한 실시 예들뿐만 아니라, 단순하게 설계 변경하거나 용이하게 변경할 수 있는 실시 예들도 포함될 것이다. 또한, 본 발명에는 상술한 실시 예들을 이용하여 앞으로 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다.
Claims (20)
- 불휘발성 메모리 장치를 각각 포함하는 복수의 스토리지 장치들;
상기 복수의 스토리지 장치들로부터 상기 불휘발성 메모리 장치의 열화 정보를 제공받아 수집하는 클라이언트 장치; 그리고
상기 수집된 열화 정보를 제공받고, 상기 수집된 열화 정보와 초기 열화 정보를 기초로 기계 학습을 수행하여 열화 요인 및 열화 크기를 실시간으로 예측하는 서버 장치를 포함하되,
상기 클라이언트 장치는 상기 서버 장치로부터 제공되는 상기 열화 크기를 참조하여 상기 불휘발성 메모리 장치의 읽기 레벨을 결정하고,
상기 스토리지 장치들은 상기 클라이언트 장치에서 결정된 읽기 레벨에 따라 동작하도록 상기 불휘발성 메모리 장치를 설정하고,
상기 열화 정보는 상기 불휘발성 메모리 장치로부터 독출된 데이터에 정정 불가 에러가 발생하는 시점의 접근 정보 및 상태 정보를 포함하는 메모리 시스템. - 제 1 항에 있어서,
상기 열화 정보는 상기 불휘발성 메모리 장치의 읽기 전압과, 상기 읽기 전압에 대응하는 프로그램/소거 횟수, 읽기 횟수, 데이터 리텐션 시간, 접근 온도 정보, 접근 영역의 위치 정보, 프로그램 시간, 그리고 소거 시간 중 적어도 하나를 포함하는 메모리 시스템. - 제 1 항에 있어서,
상기 서버 장치와 상기 클라이언트 장치는 통신 네트워크를 통해서 연결되며, 상기 열화 정보는 상기 클라이언트 장치로부터 상기 서버 장치에 상기 통신 네트워크를 통한 온라인으로 전달되는 메모리 시스템. - 삭제
- 제 1 항에 있어서,
상기 서버 장치는 상기 수집된 열화 정보 및 상기 초기 열화 정보를 처리하기 위한 상기 기계 학습의 알고리즘으로 보간(Interpolation), 선형 회귀법(Linear Regression), 그리고 분류 기법(Classification) 중 적어도 하나의 방식을 사용하는 메모리 시스템. - 제 5 항에 있어서,
상기 선형 회귀법은 멀티 회귀 분석법(Multiple Regression Analysis), 로지스틱 회귀 분석법(Logistic Regression), 란삭(RANSAC: RANdom SAmple Consensus) 중 적어도 하나가 포함되는 메모리 시스템. - 제 5 항에 있어서,
상기 분류 기법은, 랜덤 포레스트(Random Forest)와 아다부스트(AdaBoost) 중 적어도 하나를 포함하는 메모리 시스템. - 제 1 항에 있어서,
상기 서버 장치는 상기 기계 학습을 수행하기 전에, 상기 수집된 열화 정보 및 상기 초기 열화 정보 중 적어도 하나에 대해 특이값 제거 연산 또는 차원 축소 연산을 수행하는 메모리 시스템. - 제 1 항에 있어서,
상기 클라이언트 장치는 상기 결정된 읽기 레벨에 따른 상기 불휘발성 메모리 장치의 성능을 평가하고, 상기 평가 결과를 상기 서버 장치에 제공하는 강화 기계 학습을 수행하는 메모리 시스템. - 제 9 항에 있어서,
상기 서버 장치는 상기 평가 결과에 따라 상기 기계 학습의 알고리즘을 업데이트하는 메모리 시스템. - 제 9 항에 있어서,
상기 평가 결과는 보상 또는 처벌 데이터로 제공되는 메모리 시스템. - 네트워크 상에 연결되는 복수의 스토리지 장치들의 읽기 전압의 결정 방법에 있어서:
상기 복수의 스토리지 장치들과 연결되는 클라이언트와, 상기 네트워크를 통해서 상기 클라이언트와 연결되는 서버를 구성하는 단계;
상기 클라이언트가 복수의 스토리지 장치들 중 적어도 하나로부터 생성되는 열화 정보를 수집하는 단계로서, 상기 열화 정보는 상기 복수의 스토리지 장치들에 포함되는 불휘발성 메모리 장치로부터 독출된 데이터에 정정 불가 에러가 발생하는 시점의 접근 정보 및 상태 정보를 포함하는 것;
상기 서버에서 상기 수집된 열화 정보 및 초기 열화 정보를 기초로 기계 학습을 수행하여 상기 복수의 스토리지 장치들의 열화 요인 및 열화 크기를 실시간으로 예측하는 단계;
상기 클라이언트에서 상기 예측된 열화 요인 또는 상기 예측된 열화 크기를 참조하여 상기 복수의 스토리지 장치들 각각의 읽기 레벨을 결정하는 단계; 그리고
상기 결정된 읽기 레벨로 상기 복수의 스토리지 장치들 중 적어도 하나의 동작 조건을 설정하는 단계를 포함하는 읽기 전압 결정 방법. - 제 12 항에 있어서,
상기 복수의 스토리지 장치들 각각은 특정 이벤트의 발생시에 상기 열화 정보를 생성하여 상기 클라이언트로 전송하는 읽기 전압 결정 방법. - 제 13 항에 있어서,
상기 특정 이벤트는 독출된 데이터의 에러가 기준치 이상 검출되는 경우 또는 상기 독출된 데이터에 정정 불가한 에러가 검출되는 경우를 포함하는 읽기 전압 결정 방법. - 제 12 항에 있어서,
상기 열화 정보는 상기 불휘발성 메모리 장치의 읽기 전압과, 상기 읽기 전압에 대응하는 프로그램/소거 횟수, 읽기 횟수, 데이터 리텐션 시간, 접근 온도 정보, 접근 영역의 위치 정보, 프로그램 시간, 그리고 소거 시간 중 적어도 하나를 포함하는 읽기 전압 결정 방법. - 제 12 항에 있어서,
상기 열화 요인 및 열화 크기를 실시간으로 예측하는 단계는:
상기 수집된 열화 정보 및 초기 열화 정보에 대응하는 빅데이터로부터 특정 기준을 초과하는 특이값을 제거하는 단계; 그리고
상기 특이값이 제거된 빅데이터의 차원을 축소하는 단계를 포함하는 읽기 전압 결정 방법. - 제 16 항에 있어서,
상기 차원을 축소하는 단계에서, PCA(Principal Component Analysis), SVD(Singular Value Decomposition), 그리고 NMF(Non-negative Matrix Factorization) 중 적어도 하나가 차원 축소 알고리즘으로 사용되는 읽기 전압 결정 방법. - 제 12 항에 있어서,
상기 복수의 스토리지 장치들 중 상기 결정된 읽기 레벨로 설정된 적어도 어느 하나의 스토리지 장치로부터 성능 정보를 수신하는 단계;
상기 성능 정보를 기초로 상기 기계 학습의 성능을 평가하는 단계;
상기 평가 결과를 상기 서버로 전송하는 단계;
상기 평가 결과에 따라 상기 기계 학습을 업데이트하는 단계를 더 포함하는 읽기 전압 결정 방법. - 불휘발성 메모리 장치; 그리고
상기 불휘발성 메모리 장치에 데이터를 기입하거나 상기 불휘발성 메모리 장치에 저장된 데이터를 독출하고, 상기 불휘발성 메모리 장치의 읽기 전압을 설정하고, 상기 독출된 데이터의 에러를 검출 또는 정정하는 스토리지 컨트롤러를 포함하되,
상기 스토리지 컨트롤러는 상기 불휘발성 메모리 장치의 열화 정보를 검출하여 클라이언트-서버 모델로 구성되는 호스트에 전송하고, 상기 호스트에서 상기 열화 정보를 사용하는 기계 학습을 통해서 예측 및 결정된 읽기 전압을 수신하여 상기 불휘발성 메모리 장치를 설정하고, 그리고
상기 열화 정보는 상기 불휘발성 메모리 장치로부터 독출된 데이터에 정정 불가 에러가 발생하는 시점의 접근 정보 및 상태 정보를 포함하는 스토리지 장치. - 제 19 항에 있어서,
상기 호스트는:
온라인으로 전달되는 상기 열화 정보와 오프라인으로 제공되는 초기 열화 정보를 사용하여 기계 학습을 수행하여 상기 불휘발성 메모리 장치의 열화 크기를 예측하는 서버 장치; 그리고
상기 스토리지 컨트롤러에서 제공되는 상기 열화 정보를 수집하여 상기 서버 장치로 전달하고, 상기 예측된 열화 크기를 제공받아 상기 불휘발성 메모리 장치의 읽기 전압으로 결정하여 상기 스토리지 컨트롤러로 제공하는 클라이언트 장치를 포함하는 스토리지 장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160135274A KR102643916B1 (ko) | 2016-10-18 | 2016-10-18 | 스토리지 장치, 메모리 시스템, 및 그것의 읽기 전압 결정 방법 |
| US15/615,849 US10424388B2 (en) | 2016-10-18 | 2017-06-07 | Storage device, memory system, and read voltage decision method thereof |
| CN201710892707.1A CN107957851B (zh) | 2016-10-18 | 2017-09-27 | 存储装置、存储器系统、及其读取电压决定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160135274A KR102643916B1 (ko) | 2016-10-18 | 2016-10-18 | 스토리지 장치, 메모리 시스템, 및 그것의 읽기 전압 결정 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180042889A KR20180042889A (ko) | 2018-04-27 |
| KR102643916B1 true KR102643916B1 (ko) | 2024-03-08 |
Family
ID=61904664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160135274A KR102643916B1 (ko) | 2016-10-18 | 2016-10-18 | 스토리지 장치, 메모리 시스템, 및 그것의 읽기 전압 결정 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10424388B2 (ko) |
| KR (1) | KR102643916B1 (ko) |
| CN (1) | CN107957851B (ko) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102417692B1 (ko) * | 2017-11-29 | 2022-07-07 | 에스케이하이닉스 주식회사 | 메모리 셀의 결함을 제거하기 위한 메모리 시스템 및 그의 동작 방법 |
| TWI648676B (zh) * | 2017-11-30 | 2019-01-21 | 群聯電子股份有限公司 | 資料存取方法、記憶體控制電路單元以及記憶體儲存裝置 |
| KR102366973B1 (ko) * | 2018-03-26 | 2022-02-24 | 삼성전자주식회사 | 메모리 장치 |
| TWI657456B (zh) | 2018-05-14 | 2019-04-21 | 慧榮科技股份有限公司 | 用來於記憶裝置中藉助於機器學習來進行的記憶體存取管理之方法，記憶裝置及其控制器以及電子裝置 |
| US11119850B2 (en) * | 2018-06-29 | 2021-09-14 | International Business Machines Corporation | Determining when to perform error checking of a storage unit by using a machine learning module |
| US11263124B2 (en) | 2018-08-03 | 2022-03-01 | Micron Technology, Inc. | Host-resident translation layer validity check |
| US10923202B2 (en) * | 2018-08-03 | 2021-02-16 | Micron Technology, Inc. | Host-resident translation layer triggered host refresh |
| KR102634338B1 (ko) * | 2018-10-08 | 2024-02-07 | 삼성전자주식회사 | 스토리지 장치 및 스토리지 장치의 동작 방법 |
| KR102599123B1 (ko) | 2018-11-14 | 2023-11-06 | 삼성전자주식회사 | 인공 신경망 모델에 기초하여 읽기 레벨들을 추론하는 스토리지 장치 및 인공 신경망 모델의 학습 방법 |
| KR102640951B1 (ko) * | 2018-11-22 | 2024-02-26 | 에스케이하이닉스 주식회사 | 메모리 컨트롤러 및 그 동작 방법 |
| US11226907B2 (en) | 2018-12-19 | 2022-01-18 | Micron Technology, Inc. | Host-resident translation layer validity check techniques |
| US11226894B2 (en) | 2018-12-21 | 2022-01-18 | Micron Technology, Inc. | Host-based flash memory maintenance techniques |
| KR20210018615A (ko) | 2019-08-06 | 2021-02-18 | 삼성전자주식회사 | 스토리지 장치 및 이를 포함하는 스토리지 시스템 |
| KR20210020689A (ko) | 2019-08-16 | 2021-02-24 | 삼성전자주식회사 | 추론에 기초하여 요청을 처리하는 메모리 시스템 및 이의 동작 방법 |
| KR102356126B1 (ko) * | 2019-09-02 | 2022-01-27 | 한국과학기술원 | 뉴럴 네트워크를 이용한 플래시 메모리의 읽기 기준 전압 추정 방법 및 그 장치 |
| KR20210082875A (ko) * | 2019-12-26 | 2021-07-06 | 삼성전자주식회사 | 머신 러닝을 이용한 비휘발성 메모리 장치의 동작 제어 방법 및 스토리지 시스템 |
| CN113614758A (zh) * | 2020-01-22 | 2021-11-05 | 京东方科技集团股份有限公司 | 设备指标优良性等级预测模型训练方法、监控系统和方法 |
| US11217319B2 (en) * | 2020-02-28 | 2022-01-04 | SK Hynix Inc. | Read threshold optimization systems and methods by multi-dimensional search |
| KR20220012435A (ko) | 2020-07-22 | 2022-02-04 | 삼성전자주식회사 | 비휘발성 메모리 장치, 그것의 동작 방법, 그것을 제어하는 제어기, 및 그것을 포함하는 저장 장치 |
| CN112488321B (zh) * | 2020-12-07 | 2022-07-01 | 重庆邮电大学 | 面向广义非负矩阵分解算法的对抗性机器学习防御方法 |
| KR20220103228A (ko) | 2021-01-14 | 2022-07-22 | 삼성전자주식회사 | 메모리 컨트롤러, 메모리 장치, 및 저장 장치 |
| KR102460717B1 (ko) * | 2021-08-17 | 2022-10-31 | 삼성전자주식회사 | 최적 독출 레벨을 산출하는 메모리 컨트롤러, 이를 포함하는 메모리 시스템 및 메모리 컨트롤러의 동작방법 |
| KR102491655B1 (ko) | 2021-10-01 | 2023-01-27 | 삼성전자주식회사 | 에러 카운트를 결정하는 스토리지 컨트롤러, 그것의 동작하는 방법, 및 그것을 포함하는 스토리지 장치의 동작하는 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014144580A1 (en) * | 2013-03-15 | 2014-09-18 | Virident Systems Inc. | Managing the write performance of an asymmetric memory system |
| JP2014216041A (ja) * | 2013-04-30 | 2014-11-17 | ソニー株式会社 | メモリ装置およびメモリ管理方法 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7174354B2 (en) | 2002-07-31 | 2007-02-06 | Bea Systems, Inc. | System and method for garbage collection in a computer system, which uses reinforcement learning to adjust the allocation of memory space, calculate a reward, and use the reward to determine further actions to be taken on the memory space |
| US7639542B2 (en) * | 2006-05-15 | 2009-12-29 | Apple Inc. | Maintenance operations for multi-level data storage cells |
| US8072805B2 (en) | 2009-08-18 | 2011-12-06 | Skymedi Corporation | Method and system of finding a read voltage for a flash memory |
| US9058289B2 (en) * | 2011-11-07 | 2015-06-16 | Sandisk Enterprise Ip Llc | Soft information generation for memory systems |
| US9223667B2 (en) * | 2011-11-09 | 2015-12-29 | Aktiebolaget Skf | Method for identifying root cause failure in a multi-parameter self learning machine application model |
| US9329948B2 (en) * | 2012-09-15 | 2016-05-03 | Seagate Technology Llc | Measuring cell damage for wear leveling in a non-volatile memory |
| KR101934892B1 (ko) | 2012-10-17 | 2019-01-04 | 삼성전자 주식회사 | 메모리 장치의 열화 상태 판정 방법 및 이를 이용한 메모리 시스템 |
| KR102038408B1 (ko) | 2012-10-25 | 2019-10-30 | 삼성전자주식회사 | 회귀 분석법을 사용하는 메모리 시스템 및 그것의 읽기 방법 |
| CN103870399B (zh) * | 2012-12-18 | 2017-03-01 | 群联电子股份有限公司 | 存储器管理方法、存储器控制器与存储器储存装置 |
| US9256371B2 (en) | 2013-05-28 | 2016-02-09 | Globalfoundries Inc. | Implementing reinforcement learning based flash control |
| KR102065664B1 (ko) * | 2013-08-09 | 2020-01-13 | 삼성전자 주식회사 | 메모리 장치의 열화 상태 추정 방법 및 이를 이용한 메모리 시스템에서의 웨어 레벨링 방법 |
| KR102210964B1 (ko) * | 2014-05-13 | 2021-02-03 | 삼성전자주식회사 | 스토리지 장치, 스토리지 장치의 동작 방법, 그리고 스토리지 장치를 액세스하는 액세스 방법 |
| KR102215741B1 (ko) * | 2014-06-23 | 2021-02-17 | 삼성전자주식회사 | 불휘발성 메모리 및 메모리 컨트롤러를 포함하는 스토리지 장치 및 스토리지 장치의 동작 방법 |
| KR102190241B1 (ko) | 2014-07-31 | 2020-12-14 | 삼성전자주식회사 | 메모리 컨트롤러의 동작 방법 및 불휘발성 메모리 시스템 |
| KR102397016B1 (ko) | 2014-11-24 | 2022-05-13 | 삼성전자주식회사 | 불휘발성 메모리 시스템의 동작 방법 |
| US9916237B2 (en) | 2014-12-12 | 2018-03-13 | Sandisk Technologies Llc | Model based configuration parameter management |
| CN107452421B (zh) * | 2016-05-31 | 2020-06-16 | 建兴储存科技(广州)有限公司 | 固态储存装置及其状态预测方法 |
| US10290347B2 (en) * | 2017-06-30 | 2019-05-14 | Western Digital Technologies, Inc. | Compacting operating parameter groups in solid state memory devices |
-
2016
- 2016-10-18 KR KR1020160135274A patent/KR102643916B1/ko active IP Right Grant
-
2017
- 2017-06-07 US US15/615,849 patent/US10424388B2/en active Active
- 2017-09-27 CN CN201710892707.1A patent/CN107957851B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014144580A1 (en) * | 2013-03-15 | 2014-09-18 | Virident Systems Inc. | Managing the write performance of an asymmetric memory system |
| JP2014216041A (ja) * | 2013-04-30 | 2014-11-17 | ソニー株式会社 | メモリ装置およびメモリ管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180042889A (ko) | 2018-04-27 |
| CN107957851B (zh) | 2022-04-26 |
| CN107957851A (zh) | 2018-04-24 |
| US10424388B2 (en) | 2019-09-24 |
| US20180108422A1 (en) | 2018-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102643916B1 (ko) | 스토리지 장치, 메모리 시스템, 및 그것의 읽기 전압 결정 방법 | |
| KR102656190B1 (ko) | 불휘발성 메모리 장치를 포함하는 스토리지 장치 및 불휘발성 메모리 장치의 액세스 방법 | |
| CN107797935B (zh) | 存储装置和用于非易失性存储器装置的访问方法 | |
| KR102634700B1 (ko) | 불휘발성 메모리 장치를 포함하는 스토리지 장치 및 이의 동작 방법 | |
| US10691346B2 (en) | Read operation method of nonvolatile memory, memory system including the nonvolatile memory, and operation method of the memory system | |
| KR102215741B1 (ko) | 불휘발성 메모리 및 메모리 컨트롤러를 포함하는 스토리지 장치 및 스토리지 장치의 동작 방법 | |
| US20130173875A1 (en) | Method of managing storage region of memory device, and storage apparatus using the method | |
| US11734103B2 (en) | Behavior-driven die management on solid-state drives | |
| KR20210020689A (ko) | 추론에 기초하여 요청을 처리하는 메모리 시스템 및 이의 동작 방법 | |
| US11409441B2 (en) | Operation method of a storage controller configured to control a nonvolatile memory device | |
| CN116302630A (zh) | 处置由微处理器识别的存储器错误 | |
| CN112099730A (zh) | 存储器件及其访问方法 | |
| US20220165337A1 (en) | Systems and methods for determining change of read threshold voltage | |
| KR20220124318A (ko) | 쓰기 동작을 리디렉션하는 스토리지 컨트롤러 및 이의 동작 방법 | |
| KR20210101062A (ko) | 모델 정보를 저장하는 스토리지 장치, 스토리지 장치를 포함하는 스토리지 시스템 및 스토리지 시스템의 동작 방법 | |
| US20230266884A1 (en) | Operating method for storage controller and storage system including same | |
| KR20200121068A (ko) | 데이터 저장 장치 및 이의 동작 방법, 이를 위한 컨트롤러 | |
| KR20230031617A (ko) | 데이터를 리프레쉬하는 데이터 저장 장치 및 그 동작 방법 | |
| KR20170027927A (ko) | 재사용 주기에 따라 마모도를 관리하는 저장 장치의 동작 방법 | |
| KR20210032222A (ko) | 메모리 컨트롤러 및 그것의 동작 방법 | |
| TWI814352B (zh) | 使用最佳化讀取電壓表以讀取資料的方法及電腦程式產品及裝置 | |
| US20220147460A1 (en) | Memory system and operating method thereof | |
| US20240036973A1 (en) | Accessing data using error correction operation(s) to reduce latency at a memory sub-system | |
| US20230051018A1 (en) | Memory system and method of operating the same | |
| KR20220046221A (ko) | 메모리 시스템 및 메모리 시스템의 동작 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |