융합정보논문지 (Journal of Convergence for Information Technology)

중소기업융합학회 (Convergence Society for SMB)
권호 표지
DOI QR코드

DOI QR Code

경사하강법을 이용한 낸드 플래시 메모리기반 저장 장치의 고효율 수명 예측 및 예외처리 방법

High Efficiency Life Prediction and Exception Processing Method of NAND Flash Memory-based Storage using Gradient Descent Method

  • 이현섭 (백석대학교 컴퓨터공학부)
  • Lee, Hyun-Seob (Division of Computer Engineering, Baekseok University)
  • 투고 : 2021.10.10
  • 심사 : 2021.11.20
  • 발행 : 2021.11.28
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

최근 빅데이터를 수용하기 위한 대용량 저장 장치가 필요한 엔터프라이즈 저장 시스템에서는 비용과 크기 대비 직접도가 높은 대용량의 플래시 메모리 기반 저장 장치를 많이 사용하고 있다. 본 논문에서는 엔터프라이즈 대용량 저장 장치의 신뢰도와 이용성에 직접적인 영향을 주는 플래시 메모리 미디어의 수명을 극대화 하기 위해 경사하강법을 적용한 고효율 수명 예측 방법을 제안한다. 이를 위해 본 논문에서는 불량 발생 빈도를 학습하기 위한 메타 데이터를 저장하는 매트릭스의 구조를 제안하고 메타데이터를 이용한 비용 모델을 제안한다. 또한 학습된 범위를 벗어난 불량이 발생 했을 때 예외 상황에서의 수명 예측 정책을 제안한다. 마지막으로 시뮬레이션을 통해 본 논문에서 제안하는 방법이 이전까지 플래시 메모리의 수명 예측을 위해 사용되어 온 고정 횟수 기반 수명 예측 방법과 예비 블록의 남은 비율을 기반으로 하는 수명 예측 방법 대비 수명을 극대화 할 수 있음을 증명하여 우수성을 확인했다.

Recently, enterprise storage systems that require large-capacity storage devices to accommodate big data have used large-capacity flash memory-based storage devices with high density compared to cost and size. This paper proposes a high-efficiency life prediction method with slope descent to maximize the life of flash memory media that directly affects the reliability and usability of large enterprise storage devices. To this end, this paper proposes the structure of a matrix for storing metadata for learning the frequency of defects and proposes a cost model using metadata. It also proposes a life expectancy prediction policy in exceptional situations when defects outside the learned range occur. Lastly, it was verified through simulation that a method proposed by this paper can maximize its life compared to a life prediction method based on the fixed number of times and the life prediction method based on the remaining ratio of spare blocks, which has been used to predict the life of flash memory.

키워드

과제정보

This paper was supported by 2021 Baekseok University Research Fund

참고문헌

  1. F. E. Curtis & K. Scheinberg. (2017). Optimization Methods for Supervised Machine Learning: From Linear Models to Deep Learning, The Operations Research Revolution, (pp89-113). INFORMS.
  2. H. Zhang et al. (2017). ZipML: training linear models with end-to-end low precision, and a little bit of deep learning, Proceedings of the 34th International Conference on Machine Learning, (pp. 4035-4043). PMLR.
  3. Z. Shi, Y. Fang, Y. Bu & G. Han. (2021). Convolutional Neural Network (CNN)-based Detection for Multi-Level-Cell NAND Flash Memory, in IEEE Communications Letters.
  4. S. Park et al. (2021). Highly-Reliable Cell Characteristics with 128-Layer Single-Stack 3D-NAND Flash Memory, 2021 Symposium on VLSI Technology. IEEE.
  5. S. Lee & J. Kim. (2016). Effective Lifetime-Aware Dynamic Throttling for NAND Flash-Based SSDs, IEEE Transactions on Computers, 65(4), 1075-1089 https://doi.org/10.1109/TC.2014.2349517
  6. G. H. Lee, S. Hwang, S, Yu J & H. Kim. (2021). Architecture and Process Integration Overview of 3D NAND Flash Technologies. Applied Sciences, 11(15), 6703. https://doi.org/10.3390/app11156703
  7. R. Cang, Q. Bahman & S. Farshid. (2004). Maintaining erase counts in non-volatile storage systems, United States Patent, US6831865B2.
  8. H. S. Kim, E. H. Nam, J. H. Yun, S. Lee & S. L. Min, (2017). P-BMS: A Bad Block Management Scheme in Parallelized Flash Memory Storage Devices, ACM Trans. Embedded Comput. Syst, 16(5s), 140:1-140:19.
  9. T. Y. Chen, S. H. Chi, M. C. Yang & T. Y. Chien. (2021). Enabling the Duo-phase Data Management to Realize Longevity Bit-alterable Flash Memory, in IEEE Transactions on Computers.
  10. H. Jang et, al. (2021), An SVM-Based NAND Flash Endurance Prediction Method, Micromahines, 12(7), 746. https://doi.org/10.3390/mi12070746