我就是这样的Flash

作者??Hunger就是杭哥

?

给SSD Fans原创投稿，拿>=100元稿费。?

SSDFans前段时间提及一篇论文：《Flash Reliability in Production:The Expected and the Unexpected》，文中提出了大量颠覆性、令人匪夷所思的观点，对我们很多以前的常识具有非常强的冲击力（正如《原来你是这样的Flash》中所说：眼镜碎了一地）。论文中有不少崭新的观点对我们SSD从业者具有很好的指导意义，也不乏有部分疑点具有进一步讨论研究的价值，以下将对其中四个问题，分享下Hunger对其的理解和解释。

?

一、Bit翻转总是超出ECC纠错能力？

如下图标黄部分，原文中作者提及：read过程中发生的错误很少是用户不可见的（直译拗口，意思就是大部分是用户可见的），因为这些bit错误量超出了ECC纠错能力，read retry也不行。还补充到：read errors（read retry OK的）的数量是非常少的，只有少于2%的盘和少于2~8/十万盘天受到影响。

这就很奇怪了，如果ECC对于日常大多数的bit错误都无法纠正的话，不禁让人怀疑设置ECC本身的目的何在？为什么作者能得出这样一个结论呢，我们看下面作者给出的errors统计表。

表中蓝色框内为read过程中用户可见错误的统计，青色框内为可通过read retry纠正的错误。纵向对比，我们可以看出，read errors（青色框）比其他用户可见错误基本要小2个数量级，看起来作者似乎就是通过这样的比较，得出了”Read过程中大部分时候的bit翻转都超出了ECC纠错能力”的结论的。

但是Hunger注意到，根据作者在前文中对所有错误的定义分类，read过程中用户不可见的错误除了”read errors”，还有另外一种”correctable errors”（即read ECC errors）。为了便于直观理解，下面给出作者对各种错误的定义分类图示：

上图中红色框中的4种错误类型均发生在read过程中，我们再到最开始的errors统计表中查找ECC errors（即correctable errors），不难发现：ECC errors的数量比read过程中其他两种用户可见错误要高出2个数量级！

因此Hunger认为，原文此处应该是作者在分析read相关错误时疏忽，忘记了还有自己前文定义的correctable errors了。另外，观察这几组数据可以发现另一个有趣的现象，就是当errors跟ECC无关时，”read errors（retry后OK）”的数量基本只有”final read errors（retry多次后依然错误）”的不到十分之一，甚至不到百分之一。所以Hunger认为，此处结论可以这么讲：

1、实际应用中，read过程中发生的问题，绝大多数是部分bit翻转导致，并且可通过ECC纠正回来；

2、实际应用中，在遇到跟ECC无关的read errors中，绝大部分时候无法通过read retry拯救；

?

二、RBER：你究竟是直的还是弯的？
原文中最具认知冲击力的观点，莫过于”RBER并不像学者们研究的那样呈指数增长，而更接近于非常缓慢的线性增长（见下图）”。难道学者们这么多年的研究都错了吗？但是这篇论文的数据基础看起来也都非常权威可靠呀，这又是怎么回事呢？

?

对于RBER的增长曲线，究竟是直是弯，其实上诉两种观点可以说都没有错。在讨论这个问题前，有必要先区分两个概念：Flash的自然生命期和用户生命期。

这里借用故障率常用的”浴盆曲线”图来进行说明，很多产品的自然生命期，包含早期失效期、偶然失效期和损耗失效期三个阶段。如果产品在用户使用过程中，出现了不论是早期的失效期还是最终的损耗失效期，都是非常不好的体验。因此无论是Flash厂商还是SSD厂商，都会在早期通过测试筛选等手段，尽量让产品脱离这个”夭折期”。

那么损耗失效期如何规避呢？最简单的方法就是将承诺给用户的使用寿命，定义在进入损耗失效期之前。于是最终用户看到的产品生命期，则变成了下图绿色括号的范围：

????正如在《原来你是这样的Flash（3）》中提及：厂商们会将P/E cycle定义在进入损耗失效期前的三分之一处。尽管做法非常保守，但也正因如此，才能让用户更加放心地使用其产品！

????所以，如果你要问RBER它是直是弯？它会这样告诉你：我命本弯，但我只会将我最直的一面呈现给我的用户们。

?

三、Read disturb该不该对RBER负责？

????在《原来你是这样的Flash》一文中，曾提到一点：”Read的次数会影响RBER，Program和Write不会”。但是对应的图表却显示出：无论是read、write还是erase的统计情况，其跟RBER的Spearman相关系数规律都几乎一模一样（见下图）。于是Hunger到原文中一探究竟，发现事情却大不简单。

????先交代下背景，我们通常认为bit发生错误是由以下4种机制之一导致的：

1、retention errors：数据保持过程中电荷丢失；

2、read disturbs：读操作对附近单元的电荷造成干扰；

3、write disturb：写操作对附近单元的电荷造成干扰；

4、incomplete erase：擦除动作不够彻底。

后面3种机制直接关系到workload，于是论文作者希望搞清楚workload跟RBER是否存在某些关联机制。与此同时，论文中还提到有一份其他学者的研究表明：实际应用中bit errors主要是retention errors，相比之下read disturb的影响是几乎可以忽略不计的。但是论文作者最开始的数据显示出，某些model的SSD，read、write和erase三者都是与RBER明显相关的：

但排除一些干扰因素后，发现其实write和erase跟RBER也没什么关系了（修正后的相关系数图作者就没有贴出来了）；再排除一些干扰因素后，发现还是有些model的SSD的read跟RBER相关；再再排除一些干扰因素外，又只剩一款SSD（SLC-B）的read跟RBER相关了。

所以严格来讲，read count会明显影响到RBER的只是为数不多的个例情况。并且论文作者在前面也说了，已经有其他学者研究过，认为read disturb本身对RBER没多大影响了，而作者自己在一步步的排除干扰过程中，workload跟RBER相关的现象也一点点地被证明是假象，直到最后仅存的论据SLC-B和它的read，作者也并不能解释其中缘由。那么会不会连最后剩下的SLC-B，其实还是由其他作者没有考虑到的干扰因素导致的，而非read count本身导致的呢？期待更多的资料和解释。

?

四、UBER六亲不认？

????暂不说很多跟RBER关联的因素都跟UBER不关联，仅仅只是”UBER跟RBER没什么关系”这一句结论，估计能呛死不少学者。因为理论上来讲，UBER就是RBER经过ECC后剩下的不可纠正误比特率，相当于RBER是一堆沙石，ECC是筛子，而UBER就是筛掉沙子后剩下的石头。那么现在突然说能筛出多少石头，跟原来那堆沙石的情况无关，确实让人难以理解。

????下面两张图是作者认为UBER跟RBER无关的理由，分别是不同model SSD的UBE（左图）和单model SSD的UBE（右图）情况。其中左图随着RBER的增长，UBE基本看不出有增长的趋势，而右图作者表示数据过于杂乱无章，没办法找到一条曲线来进行拟合描述。

????那么，究竟是大家一直以来的”信仰”错了，还是作者的数据图错了呢？其实Hunger认为，二者均没错，错的是对数据图的解读方式。

????首先看如下左图，Hunger不是很精确地划了一条水平拟合直线，可以看出不同model和RBER的SSD，UBE都普遍为0.0025盘天左右。本文样本盘大多为480GB，假设每个出现UE的盘天其UE数为1（多于1的概率我们认为太低可忽略），按照平均每天读写一遍全盘，则UBER=0.0025/(480*10^9*8）=6.51e-16，结果正好与JESD218B对于企业级SSD的UBER统一标准1e-16数量级相当，所以看起来这些UBE的数据还是挺合理的。

至于为什么UBE不随横坐标RBER变化呢？我们回想论文作者早前抛出的一个结论：在作者的统计样本中，RBER接近于非常缓慢的线性增长。也就是说，作者其实是把前面RBER-P/E cycle图里变化量很小的纵坐标因变量，放到上图中将比例尺拉大作为横坐标自变量来使用了。看起来好像UBE不随RBER一起变大，实则RBER自身就变化不大。就像对于一个只能筛出比黄豆大的石头的筛子，你往沙堆里再掺一些比绿豆还小的小碎石，是基本增加不了最后筛出的石头总数的。

????至于右图，仔细看会发现，其纵坐标值虽然和左图一样，但选取的比例尺却相差甚远。从左图可以看到，UBE的中位数大概都处于0.0025盘天上下，而0.0025在右图中的什么位置呢——Hunger画了一条大致的示意线，如上右图红色线所示。也就是说，表面看所有的数据点都呈现一种”炸开”的状态，但实际上因为做图比例尺的关系，有一半的数据点重叠在了红线下方看不到。当然，最主要的导致UBE没有一种跟随横坐标一起变化的原因，Hunger认为是因为SSD的RBER本身变化范围还不够大，大部分时候的bit错误都能被ECC纠正，只有偶然比较集中的bit错误造成了一些UBE，这个阶段UBE本身就还是偏向于偶然发生，没有规律的。

????关于RBER和UBER的概念和关系，”阿呆哥哥的马甲”曾在其新浪博客里科普过（传送门http://blog.sina.com.cn/s/blog_679f93560101e5tv.html），在理解这两者的理论关系后，再联系论文的所有统计数据都基于”所有的实验数据本身就处于Flash非常平缓的偶然失效期内”这个前提，其实论文后面不少关于其他因素跟UBER的讨论就没那么难理解了。

????可以想象一个画面，论文作者问到UBER：你怎么跟什么都没关系？

还在打着酱油的UBER一脸吃惊：已，已经该有关系吗？

喜欢就请分享转发！

怎么阅读ssdfans其他文章？点击文末阅读原文进入www.ssdfans.com，用搜索框搜索关键字即可。

不想错过后续精彩文章？长按或扫描下面二维码关注ssdfans就可以了！

ssdfans微信群介绍

技术讨论群	覆盖2000多位中国和世界华人圈SSD以及存储技术精英
固件、软件、测试群	固件、软件和测试技术讨论
异构计算群	讨论人工智能和GPU、FPGA、CPU异构计算
ASIC-FPGA群	芯片和FPGA硬件技术讨论群
闪存器件群	NAND、3D XPoint等固态存储介质技术讨论
企业级	企业级SSD、企业级存储
销售群	全国SSD供应商都在这里，砍砍价，会比某东便宜20%！
工作求职群	存储行业换工作，发招聘，要关注各大公司招聘信息，赶快来
高管群	各大SSD相关存储公司高管和创始人、投资人

想加入这些群，请加nanoarch为微信好友，介绍你的昵称-单位-职务，注明群名，拉你进群。