SSD資料可靠性問題分析

前幾個月對近兩年facebook和google發表的兩篇ssd故障分析的文章進行了閱讀，並進行了整理。google的在今年的fast會議上發表了《flash reliability in production: the expected and the unexpected》，在這篇文章中通過收集長達六年的資料對ssd可靠性進行了研究，並且對比了ssd與hdd之間的可靠性差別。facebook在2023年發表了《a large-scale study of flash memory failures in the field》，同樣通過大資料的方式對flash的故障進行了長時間的分析。這些研究工作實際上都在追問ssd在企業級應用的一些問題：ssd在實際的資料中心中是否可以安全部署？為了讓ssd在資料中心大規模部署，我們還需要做哪些工作？

在google的研究中對ue（uncorrectable error）進行了深入的研究分析。大家知道nand flash介質是不可靠的，經常會出現錯誤，用著用著就有可能遇到位錯誤，這是常態。尤其是15nm製程以及tlc/qlc的推廣，使得nand flash的bit error問題變得更加嚴重。ssd乙個重要的職責就是糾正這些bit error，讓不可靠的nand flash變成可靠的ssd儲存盤。

但是，儘管ssd內部具有強大的bch或者ldpc編譯碼單元，以及rain等條帶化資料保護機制，但是還是不可避免的發生ue這樣的錯誤。nand flash發生故障，可以通過ecc、rain或者firmware等手段解決，這類錯誤被稱之為correctable error，屬於transparent error的範疇，這類錯誤不會對應用產生影響。ssd內部機制無法解決的錯誤，那麼這類錯誤將會對業務產生影響，被稱之為ue，屬於non-transparent error範疇。對於ue故障，google通過連續4年的資料表明，20% （20~63%）的ssd遇到會發生ue，這種ue在業務層表現為bad sector；和磁碟對比，在32月的時間內，3.5%的傳統磁碟會遇到bad sector。這也就說明ssd在資料區域性損壞方面會遠遠高於hdd，大致對比如下：

除了觀察區域性損壞故障之外，使用者還會比較關注ssd的整盤損壞。google的研究資料告訴我們，在4年的時間內，ssd的整盤更換率為4~10%，而傳統機械磁碟的年更換率為2~9%。從這點上來看ssd的整盤故障更換率要比hdd低很多。這也表現為一旦ssd上線之後，比磁碟要具備更低的更換率，可以大大簡化系統運維。

對於具體的錯誤型別，從上圖我們可以看出，在non-transparent error這塊，絕大部分錯誤都是uncorrectable error，也就是讀操作時發現bad sector，導致資料丟失。並且在大規模部署的情況下，這種錯誤導致的影響還是非常嚴重的。

除了分析ssd盤對外表現出來的區域性以及整體故障之外，google還對ssd資料可靠性因素進行了分析，影響ssd資料可靠性的因素大致有如下幾點：

1，ssd磨損（wear out）

2，ssd技術型別（mlc、tlc）

3，製造工藝

4，使用時間（age）

5，溫度

比較有意思的是，ssd的資料可靠性與使用時間相關，而不僅是使用壽命。如果一塊盤在沒有使用的情況下長時間存放，那麼該盤的資料故障率要比一塊新盤高。如下圖所示：

對於乙個全新的舊盤，由於長時間存放之後，ssd內部nand flash所產生的出錯位數明顯增加。這也說明ssd的資料可靠性與時間相關。此外，不同的製造工藝對ssd的資料可靠性也會產生重要影響，下圖對比了不同nand型別以及不同製造工藝情況下的資料可靠性：

總體來講，從google的統計資料我們可以發現ssd的故障模型和hdd相比發生了重要變化。ssd在整盤故障方面要優於hdd；但是在區域性故障方面，ssd明顯故障率要高於hdd。因此，在大規模部署ssd的情況下，上層的應用軟體還是需要考慮ssd儲存的容錯機制，防止資料在ssd中丟失。由於ssd故障模型的變化，上層軟體的容錯機制也需要做出調整，適應ssd大量區域性故障的問題。

SSD資料可靠性問題分析

SSD資料可靠性問題分析

SSD資料可靠性問題分析

電路可靠性問題

相關推薦