深度解讀企業(yè)級(jí)SSD的可靠性意義

1.前言

大家對(duì)SSD的第一印象就是性能高、速度快，然而隨著SSD在數(shù)據(jù)中心、高性能計(jì)算、高端存儲(chǔ)、邊緣計(jì)算等各種企業(yè)級(jí)應(yīng)用場(chǎng)景的逐步普及，近年來(lái)企業(yè)級(jí)SSD產(chǎn)品的發(fā)貨量逐年快速上升，而隨著實(shí)際在網(wǎng)運(yùn)行數(shù)量的逐步增加，一些可靠性問(wèn)題也逐漸體現(xiàn)，而SSD的可靠性也企業(yè)級(jí)用戶(hù)重點(diǎn)關(guān)注的方向。

講到SSD的可靠性，我們通常能聽(tīng)到的術(shù)語(yǔ)有：Failure Rate(故障率或者失效率)、MTBF、AFR、Retention、Endurance、 UBER、FFR等，在實(shí)際工作中經(jīng)常有些不是可靠性領(lǐng)域的工程師來(lái)詢(xún)問(wèn)這些指標(biāo)的含義，所以本文主要簡(jiǎn)單介紹一下這些SSD可靠性指標(biāo)的概念及其意義，方便大家更深入的了解和認(rèn)識(shí)SSD的可靠性。?? ? ? ? ? ?

2.?故障率/MTBF/AFR

2.1?故障率

2.2?浴盆曲線模型

提到可靠性，必須要講下最經(jīng)典的浴盆曲線(Bathtub Curve)可視化模型，浴盆曲線模型是指導(dǎo)產(chǎn)品或者系統(tǒng)進(jìn)行可靠性設(shè)計(jì)、驗(yàn)證、優(yōu)化的最常用的模型，也是可靠性工程師甚至質(zhì)量工程師都非常關(guān)注的理論。

浴盆曲線簡(jiǎn)單來(lái)說(shuō)將產(chǎn)品的生命周期分為三個(gè)階段：

1)早期失效期(Infant Morality Period)：此階段失效率較高，大多是生產(chǎn)制造帶來(lái)的失效，但是這段時(shí)間比較短，而且失效率隨著時(shí)間推移會(huì)迅速降低并趨于穩(wěn)定。

2)穩(wěn)定期(Steady Period)：或者叫隨機(jī)失效期，有時(shí)也叫正常生命期，這個(gè)階段產(chǎn)品的失效率是恒定的常數(shù)，通常發(fā)貨給客戶(hù)的產(chǎn)品都工作于這個(gè)階段。

3)壽命耗盡期(Wear-out Period):?這個(gè)階段產(chǎn)品由于壽命的耗盡，失效率逐漸增高。浴盆曲線在可靠性的設(shè)計(jì)和優(yōu)化上有非常多的應(yīng)用，本文中所討論的可靠性指標(biāo)MTBF/AFR等，都是指的正常生命期也就是穩(wěn)定期。

2.3?MTBF

MTBF 全稱(chēng)為Mean Time Between Failure即平均失效間隔時(shí)間，其定義為給定的樣本數(shù)量，工作小時(shí)后，出現(xiàn)次故障，每個(gè)樣本失效時(shí)已正常工作的時(shí)間記為?， 單位為小時(shí)：

MTBF通常用于一個(gè)故障可恢復(fù)的系統(tǒng)，相比故障率指標(biāo)，MTBF的定義更加直接，也更適用于表現(xiàn)系統(tǒng)級(jí)的可靠性，更常用于預(yù)測(cè)和表征產(chǎn)品和系統(tǒng)的可靠性，而不是用故障率來(lái)進(jìn)行體現(xiàn)。

2.4?AFR

實(shí)際應(yīng)用中我們還經(jīng)常聽(tīng)到AFR的概念，AFR即Annual Failure Rate，即年化的失效率，假設(shè)年度的發(fā)貨量為，故障個(gè)數(shù)為，那么可以定義：

上面等式中的表示產(chǎn)品(系統(tǒng))的時(shí)基失效率，AFR主要用于產(chǎn)品或者系統(tǒng)在發(fā)貨后進(jìn)行的故障率統(tǒng)計(jì)，這點(diǎn)和DPPM有類(lèi)似之處，只不過(guò)DPPM更多用于獨(dú)立的元器件。? ? ? ? ? ? ?

3?故障率/MTBF/AFR的關(guān)系和意義

上面介紹了故障率、MTBF、AFR的定義，接下來(lái)說(shuō)一說(shuō)它們之間的關(guān)系及實(shí)際意義

3.1?故障率和MTBF關(guān)系

因此，實(shí)際SSD產(chǎn)品的可靠性設(shè)計(jì)和評(píng)估方法是：系統(tǒng)的MTBF可以通過(guò)系統(tǒng)的失效率評(píng)估得到。而系統(tǒng)的是可以通過(guò)各個(gè)器件的失效率計(jì)算得到，器件的失效率（即FIT值）可以從各個(gè)元器件廠家獲取。

需要強(qiáng)調(diào)的是系統(tǒng)失效率評(píng)估并非簡(jiǎn)單的所有獨(dú)立元器件FIT值相加，而是需要根據(jù)元器件在系統(tǒng)中具體的使用方法和系統(tǒng)的適用場(chǎng)景計(jì)算，可以參考BellCore等專(zhuān)業(yè)文檔。

3.2 MTBF的驗(yàn)證方法RDT

MTBF相對(duì)故障率來(lái)說(shuō)，更易于在研發(fā)過(guò)程中進(jìn)行驗(yàn)證。MTBF的測(cè)試驗(yàn)證方法也就是通常講的RDT(Reliability Demonstration Test)即可靠性驗(yàn)證測(cè)試，通過(guò)RDT驗(yàn)證MTBF的原理如下：

上述等式中各參數(shù)的意義：

1)SS表示樣本量；

2)AF表示溫度加速因子，通常采用高溫加速的方式進(jìn)行;

3)TestHours 表示總測(cè)試時(shí)間，單位：小時(shí);

4)A表示置信度因子，

5)CL表示置信度水平，r表示允許的失效個(gè)數(shù)，表示卡方分布;

3.3 MTBF?和 AFR的關(guān)系

根據(jù)MTBF和故障率的關(guān)系我們可以很容易得到AFR和MTBF的關(guān)系如下：

那么既然已經(jīng)有MTBF為什么還要增加AFR這個(gè)指標(biāo)呢，個(gè)人認(rèn)為有以下兩點(diǎn)區(qū)別：

1)MTBF主要用于研發(fā)設(shè)計(jì)時(shí)對(duì)產(chǎn)品可靠性指標(biāo)進(jìn)行預(yù)測(cè)和測(cè)試驗(yàn)證，不易于實(shí)際統(tǒng)計(jì)：MTBF 是在SSD產(chǎn)品設(shè)計(jì)時(shí)，需要制定的可靠性指標(biāo)，MTBF需要在產(chǎn)品研發(fā)階段通過(guò)計(jì)算可以得到，同時(shí)可以通過(guò)RDT等測(cè)試方法進(jìn)行驗(yàn)證，因此MTBF更偏向于發(fā)貨前的研發(fā)理論設(shè)計(jì)和研發(fā)階段的驗(yàn)證;

2)AFR更易于在產(chǎn)品實(shí)際發(fā)貨后進(jìn)行統(tǒng)計(jì)，是對(duì)MTBF設(shè)計(jì)的實(shí)際驗(yàn)證：AFR雖然可以通過(guò)MTBF得到，但AFR更重要的是易于在SSD產(chǎn)品實(shí)際發(fā)貨后進(jìn)行統(tǒng)計(jì)，是一個(gè)實(shí)際的統(tǒng)計(jì)值，而統(tǒng)計(jì)MTBF則比較難在實(shí)際產(chǎn)品發(fā)貨后統(tǒng)計(jì)。通過(guò)實(shí)際統(tǒng)計(jì)得到的AFR和設(shè)計(jì)的AFR值比較，是最終驗(yàn)證MTBF設(shè)計(jì)指標(biāo)是否達(dá)成的依據(jù)，也是SSD產(chǎn)品可靠性在用戶(hù)使用階段最直接的體現(xiàn)指標(biāo)之一。

3.4?小結(jié)

實(shí)際上我們?cè)谧鱿到y(tǒng)可靠性設(shè)計(jì)時(shí)，需要將故障率、FIT值、MTBF、AFR聯(lián)系起來(lái)看，總結(jié)如下：

1)元器件的故障率是計(jì)算系統(tǒng)故障率的基本輸入?yún)?shù)，通過(guò)系統(tǒng)故障率來(lái)評(píng)估系統(tǒng)MTBF;

2)系統(tǒng)級(jí)可靠性更直接的是用MTBF進(jìn)行體現(xiàn)，MTBF可在批量發(fā)貨前通過(guò)RDT驗(yàn)證;

3)AFR可以用于批量發(fā)貨后的可靠性反饋驗(yàn)證;

4)可以大概總結(jié)硬件系統(tǒng)的MTBF可靠性設(shè)計(jì)預(yù)測(cè)和驗(yàn)證流程如下：? ??

? ? ??

4?Endurance/Retention /UBER/FFR

前面三部分講的失效率(Failure Rate)、MTBF和AFR都是通用的硬件產(chǎn)品可靠性指標(biāo)，而不是SSD產(chǎn)品所特有的。實(shí)際上對(duì)于SSD產(chǎn)品來(lái)說(shuō)，還有自己特有的特性和可靠性指標(biāo)，也就是大家常見(jiàn)的Endurance、TBW、Data Retention、UBER、FFR這幾個(gè)概念，實(shí)際上這幾個(gè)概念的定義都來(lái)源于JESD218系列規(guī)范，我們先看看這四個(gè)概念的定義。

4.1 Endurance 和 Data?Retention

Endurance : The ability of an SSD to withstand multiple data rewrites，字面含義 SSD能夠承受反復(fù)重寫(xiě)的能力，即SSD能夠承受的寫(xiě)入數(shù)據(jù)量總和，有時(shí)也叫Endurance Rating。如果以TB為單位表示總寫(xiě)入數(shù)據(jù)量，在規(guī)范中也被叫做TBW，Endurance/Endurance Rating/TBW都代表的相同的意思。

講到Endurance還有一個(gè)常見(jiàn)的規(guī)格被叫做DWPD，即Drive?Write?Per?Day, 表示的是盤(pán)片每天能夠?qū)懭氲目倲?shù)據(jù)量和盤(pán)片自身容量的比值:

因此DWPD和Endurance(TBW)的關(guān)系為：

上面等式中表示該盤(pán)片的壽命是5年，這是企業(yè)SSD通常標(biāo)稱(chēng)的壽命。

Data Retention ：The ability of the SSD to retain data over time，即SSD保存數(shù)據(jù)時(shí)間的能力，有也簡(jiǎn)化為叫Retention￥￥那么為何SSD要有Endurance和Data Retention的概念呢?

因?yàn)镾SD使用NAND Flash作為存儲(chǔ)數(shù)據(jù)的介質(zhì)，NAND Flash 是一種數(shù)據(jù)非易失的介質(zhì)，但不是永久不丟失數(shù)據(jù)的介質(zhì)。NAND Flash有兩個(gè)明顯的特點(diǎn)：

第一，每個(gè)NAND Flash內(nèi)部單元存在磨損壽命，也就是通常講的Erase-Program?次數(shù)(擦除編程次數(shù)，簡(jiǎn)稱(chēng)EP)，當(dāng)EP達(dá)到一定程度，NAND?Flash?上數(shù)據(jù)的誤碼率將變大，也就無(wú)法實(shí)現(xiàn)對(duì)數(shù)據(jù)的可靠保存，因此NAND?Flash存在磨損壽命(Endurance)的概念;

第二，存放在NAND Flash內(nèi)部單元的數(shù)據(jù)，只能保存一定長(zhǎng)度的時(shí)間，當(dāng)超過(guò)該時(shí)間，數(shù)據(jù)會(huì)逐漸丟失，因此NAND Flash存在Data Retention的概念。

由于NAND Flash存在Endurance和 Data Retention概念，因此SSD產(chǎn)品也繼承了NAND的這兩個(gè)特性和概念。

不過(guò)，嚴(yán)格來(lái)說(shuō) Endurance和Data Retention并不是可靠性的指標(biāo)，是屬于功能指標(biāo)，UBER和FFR才是可靠性的指標(biāo)，但是UBER和FFR是需要在Endurance和Data Retention的前提條件下來(lái)定義，并進(jìn)行測(cè)試驗(yàn)證。

4.2?UBER?和FFR

SSD是一種用于保存數(shù)據(jù)的部件，因此對(duì)行業(yè)規(guī)范中制定了關(guān)于SSD保存數(shù)據(jù)方面的可靠性指標(biāo)，也就是常見(jiàn)的UBER和FFR。

UBER : Uncorrectable Bit Error Rate, or ratio, 字面意思即不可糾正的誤比特率，計(jì)算方法如下：

FFR : The allowed cumulative functional failures over the TBW rating, 即SSD在整個(gè)磨損壽命時(shí)間范圍內(nèi)累積的功能失效率。

4.3?UBER/FFR的測(cè)試方法

UBER和FFR的字面含義相對(duì)來(lái)說(shuō)比較容易理解，但是跟Endurance 和 Retention的關(guān)系，可以從下圖中JESD218B.01標(biāo)準(zhǔn)中UBER和FFR的測(cè)試方法進(jìn)行了解：

1)需要將整個(gè)測(cè)試樣本量分為兩部分各50%;

2)第一步部分(Part:1)在常溫下進(jìn)行數(shù)據(jù)讀寫(xiě)測(cè)試(JESD219?模型)，也叫磨損Endurance測(cè)試，要求總寫(xiě)入數(shù)據(jù)量要達(dá)到SSD標(biāo)稱(chēng)的Endurance(或者TBW)數(shù)據(jù)量;

3)第二步部分(Part:2)在高溫下進(jìn)行數(shù)據(jù)讀寫(xiě)測(cè)試(JESD219模型)，也叫磨損Endurance測(cè)試，總寫(xiě)入數(shù)據(jù)量要達(dá)到SSD標(biāo)稱(chēng)的Endurance(或者TBW)數(shù)據(jù)量;

4)第二部分的Endurance測(cè)試完成后，需要進(jìn)行一次對(duì)數(shù)據(jù)保存時(shí)間的測(cè)試即Retention測(cè)試;

5)最后統(tǒng)計(jì)UBER/FFR時(shí)需要統(tǒng)計(jì)上面2)，3)，4)步驟中所有的功能失效，錯(cuò)誤IO個(gè)數(shù)，用于計(jì)算UBER/FFR。

? ? ? ? ? ?

5?總結(jié)

本文的主要目的還是對(duì)SSD可靠性涉及到的概念進(jìn)行簡(jiǎn)單梳理，幫助大家理解SSD的可靠性。由于每個(gè)指標(biāo)詳細(xì)的設(shè)計(jì)、預(yù)測(cè)以及驗(yàn)證方法都有比較多的內(nèi)容，后續(xù)有機(jī)會(huì)再進(jìn)行專(zhuān)題分享。?? ? ? ? ? ?

參考文獻(xiàn)

1.?Telcordia Technologies Special Report，?SR-332，?Reliability Prediction Procedure for?Electronic Equipment

2.?JESD218B.01 Solid-State Drive (SSD) Requirements?and Endurance Test Method?? ? ?? ? ??