淺談AI技術(shù)在SSD控制器中的應(yīng)用

背景介紹

當(dāng)前AI技術(shù)蓬勃發(fā)展，深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等技術(shù)不斷突破，使得AI在圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得了顯著成果。在圖像處理方面，卷積神經(jīng)網(wǎng)絡(luò)（CNN）被廣泛應(yīng)用于圖像識(shí)別、目標(biāo)檢測(cè)等任務(wù)，極大地提升了計(jì)算機(jī)視覺(jué)的準(zhǔn)確性和效率。在自然語(yǔ)言處理領(lǐng)域，深度學(xué)習(xí)模型如循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和Transformer架構(gòu)則助力機(jī)器理解并生成人類(lèi)語(yǔ)言，實(shí)現(xiàn)了智能對(duì)話、文本分類(lèi)等功能。此外，機(jī)器學(xué)習(xí)算法如決策樹(shù)、隨機(jī)森林和支持向量機(jī)（SVM）在數(shù)據(jù)分析和預(yù)測(cè)建模中發(fā)揮著關(guān)鍵作用。同時(shí)，強(qiáng)化學(xué)習(xí)技術(shù)也在游戲AI、機(jī)器人控制等領(lǐng)域得到廣泛應(yīng)用，使智能體能夠自主學(xué)習(xí)和優(yōu)化行為策略。

SSD控制器是固態(tài)硬盤(pán)（SSD）中的核心組件，它負(fù)責(zé)協(xié)調(diào)SSD內(nèi)部各個(gè)部件的運(yùn)作，是數(shù)據(jù)讀寫(xiě)的關(guān)鍵管理者。面向主機(jī)方向，SSD控制器需要有效管理主機(jī)請(qǐng)求，通過(guò)精準(zhǔn)的調(diào)度、流控和預(yù)測(cè)確保主機(jī)響應(yīng)的及時(shí)和穩(wěn)定；面向底層NAND方向，它需要負(fù)責(zé)SSD上NAND介質(zhì)的全生命周期管理，確保底層NAND在全場(chǎng)景下的壽命和穩(wěn)定性除了基礎(chǔ)的數(shù)據(jù)管理功能，還需要具備強(qiáng)大的錯(cuò)誤校正能力，能夠及時(shí)發(fā)現(xiàn)并修復(fù)數(shù)據(jù)傳輸中的錯(cuò)誤，保證數(shù)據(jù)的完整性；同時(shí)，它還負(fù)責(zé)執(zhí)行垃圾回收任務(wù)，通過(guò)智能算法優(yōu)化存儲(chǔ)空間的使用，避免數(shù)據(jù)碎片化的發(fā)生，提高SSD的持久性和性能；此外，隨著數(shù)據(jù)安全性的日益受到重視，SSD控制器還集成了數(shù)據(jù)加密和保護(hù)功能，通過(guò)先進(jìn)的加密算法和安全機(jī)制，它能夠有效防止數(shù)據(jù)被非法訪問(wèn)或篡改，保護(hù)用戶(hù)的隱私和信息安全。

圖1：AI加持的SSD控制器

總的來(lái)說(shuō)，AI是一個(gè)強(qiáng)大的建模工具，可以完成復(fù)雜模型的抽象，在SSD的應(yīng)用場(chǎng)景下能夠基于經(jīng)驗(yàn)數(shù)據(jù)給出IO和介質(zhì)的行為級(jí)預(yù)測(cè)；而SSD控制器是一個(gè)復(fù)雜的管理系統(tǒng)，需要基于主機(jī)IO和底層介質(zhì)的行為完成數(shù)據(jù)管理和性能優(yōu)化的功能。AI的能力和SSD的控制器需求可以很好的互補(bǔ)，因此，本文對(duì)AI在SSD上的應(yīng)用進(jìn)行簡(jiǎn)單探索。

經(jīng)典AI技術(shù)介紹

本章我們簡(jiǎn)單介紹RF、MLP和CNN這三種經(jīng)典AI算法，其中，隨機(jī)森林屬于傳統(tǒng)機(jī)器學(xué)習(xí)算法，MLP和CNN屬于深度學(xué)習(xí)算法。

隨機(jī)森林屬于機(jī)器學(xué)習(xí)中的集成學(xué)習(xí)算法，屬于Bagging類(lèi)型。

集成學(xué)習(xí)的基本思想就是將多個(gè)分類(lèi)器組合，從而實(shí)現(xiàn)一個(gè)預(yù)測(cè)效果更好的集成分類(lèi)器。Bagging也叫自舉匯聚法（bootstrap aggregating），是一種在原始數(shù)據(jù)集上通過(guò)有放回抽樣重新選出k個(gè)新數(shù)據(jù)集來(lái)訓(xùn)練分類(lèi)器的集成技術(shù)。它使用訓(xùn)練出來(lái)的分類(lèi)器的集合來(lái)對(duì)新樣本進(jìn)行分類(lèi)，然后用多數(shù)投票或者對(duì)輸出求均值的方法統(tǒng)計(jì)所有分類(lèi)器的分類(lèi)結(jié)果，結(jié)果最高的類(lèi)別即為最終標(biāo)簽。在實(shí)現(xiàn)上，可以通過(guò)簡(jiǎn)單的決策樹(shù)作為不同抽樣的分類(lèi)器，通過(guò)多個(gè)決策樹(shù)的預(yù)測(cè)結(jié)果投票，完成最終的預(yù)測(cè)。

圖2：包含n個(gè)決策樹(shù)的隨機(jī)森林

多層感知機(jī)（MLP）是一種基本的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由多個(gè)全連接層組成。

每個(gè)層中的神經(jīng)元接收上一層的輸出作為輸入，并將其加權(quán)求和后通過(guò)一個(gè)激活函數(shù)進(jìn)行非線性轉(zhuǎn)換。這種結(jié)構(gòu)允許模型學(xué)習(xí)非線性關(guān)系并對(duì)輸入數(shù)據(jù)進(jìn)行抽象表示。MLP的基本組件包括輸入層、隱藏層和輸出層：輸入層負(fù)責(zé)接收輸入特征向量，每個(gè)特征對(duì)應(yīng)輸入層的一個(gè)神經(jīng)元；隱藏層位于輸入層和輸出層之間，可以包含多個(gè)層。每個(gè)隱藏層的神經(jīng)元從前一層的輸出中獲取數(shù)據(jù)，并進(jìn)行加權(quán)求和和激活函數(shù)處理；輸出層提供模型的最終輸出，可以是一個(gè)或多個(gè)神經(jīng)元的組合。在回歸問(wèn)題中，輸出層通常只有一個(gè)神經(jīng)元，它提供了預(yù)測(cè)的連續(xù)值。

圖3：包含一個(gè)隱藏層的MLP

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種具有局部連接、權(quán)值共享等特點(diǎn)的深層前饋神經(jīng)網(wǎng)絡(luò)，具有表征學(xué)習(xí)能力，能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類(lèi)。

CNN的基本組件包括卷積層、池化層和全連接層：卷積層通過(guò)卷積操作對(duì)輸入數(shù)據(jù)進(jìn)行特征提取。卷積層由一組可學(xué)習(xí)的過(guò)濾器（或稱(chēng)為卷積核）組成，每個(gè)過(guò)濾器通過(guò)滑動(dòng)窗口在輸入數(shù)據(jù)上進(jìn)行卷積操作，以計(jì)算得到特定位置的特征圖；池化層用于對(duì)特征圖進(jìn)行下采樣，減少計(jì)算量并保留最重要的特征。常見(jiàn)的池化操作是最大池化，它選擇窗口中最大值作為池化結(jié)果；全連接層類(lèi)似于MLP中的隱藏層和輸出層，用于將卷積和池化層的輸出轉(zhuǎn)換為最終的預(yù)測(cè)結(jié)果。CNN的訓(xùn)練也使用反向傳播算法和梯度下降優(yōu)化器。不同于MLP，CNN在處理圖像等數(shù)據(jù)時(shí)利用了卷積和池化操作的局部連接性和參數(shù)共享特性，可以有效地捕捉到輸入數(shù)據(jù)的空間結(jié)構(gòu)和局部特征。

圖4：包含卷積核池化層的CNN網(wǎng)絡(luò)

基于AI的SSD控制器技術(shù)

本章我們以AI讀電壓預(yù)測(cè)的一個(gè)簡(jiǎn)單例子介紹SSD控制器上AI技術(shù)的應(yīng)用。SSD的存儲(chǔ)單元為NAND顆粒，每個(gè)NAND存儲(chǔ)單元可以視為一個(gè)可以保存電子的三極管，通過(guò)下發(fā)一定檢測(cè)電壓判斷三極管是否開(kāi)啟，可以檢測(cè)出其保存電子的數(shù)量，進(jìn)而獲取NAND中保存的數(shù)據(jù)。在NAND中，該檢測(cè)電壓即為NAND讀電壓。為了準(zhǔn)確的讀取NAND中的數(shù)據(jù)，需要盡可能準(zhǔn)確的讀電壓，否則就會(huì)得到錯(cuò)誤的三極管開(kāi)啟閾值，造成讀取錯(cuò)誤。

在實(shí)際使用中，NAND的閾值電壓受多種因素影響：NAND的擦寫(xiě)次數(shù)影響NAND單元中電子流失的速度；NAND的上電保持時(shí)間等于NAND中電子持續(xù)流失的時(shí)間；對(duì)相鄰NAND單元的讀取可能造成NAND內(nèi)電子增加；不同物理位置的NAND單元因?yàn)楣に嚨牟灰恢滦?，在不同的?chǎng)景中的閾值電壓的變化也會(huì)有差異。NAND受各種因素影響的閾值電壓變化量就構(gòu)成了一個(gè)數(shù)值模型，我們可以嘗試通過(guò)AI對(duì)其進(jìn)行建模。

我們選取了一款主流廠商TLC顆粒進(jìn)行建模，TLC的一個(gè)wordline包含7個(gè)不同的讀狀態(tài)，為了簡(jiǎn)化模型，我們僅考慮了不同磨損次數(shù)和不同上電保持時(shí)間的閾值電壓模型，最終得到模型的輸入信息為磨損次數(shù)PE，上電保持時(shí)間T，目標(biāo)page的所在的plane、block和wordline編號(hào)，以及采用讀取得到數(shù)據(jù)最準(zhǔn)確的讀電壓RL1~RL7，采用隨機(jī)森林與MLP算法，分別進(jìn)行AI訓(xùn)練。

訓(xùn)練的數(shù)據(jù)集包括3000個(gè)不同位置page在不同PE和T下最優(yōu)讀電壓的數(shù)據(jù)。我們?cè)谟?xùn)練中對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)劃分，按71劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，訓(xùn)練集用于模型權(quán)重的訓(xùn)練，驗(yàn)證集用于模型超參數(shù)調(diào)整和過(guò)擬合監(jiān)控，測(cè)試集用于評(píng)估模型的性能，我們?cè)谟?xùn)練中采用模型輸出電壓與數(shù)據(jù)集中最優(yōu)電壓的均方誤差作為模型評(píng)估的標(biāo)準(zhǔn)。

隨機(jī)森林比較簡(jiǎn)單，我們采用一個(gè)50個(gè)隨機(jī)決策樹(shù)的森林進(jìn)行隨機(jī)樣本的訓(xùn)練，將所有數(shù)據(jù)進(jìn)行隨機(jī)劃分，進(jìn)行多次訓(xùn)練，當(dāng)均方誤差收斂后停止訓(xùn)練，最終得到的隨機(jī)森林在測(cè)試集上獲得了2.98的均方誤差。

在MLP中，我們采用了一種簡(jiǎn)潔高效的架構(gòu)：輸入層直接接收磨損次數(shù)PE、時(shí)間T、plane、block和wordline位置這五個(gè)關(guān)鍵的物理參數(shù)，這些參數(shù)是影響讀電壓的主要因素；隱藏層中包含兩個(gè)大小為128的隱藏層，這種設(shè)計(jì)旨在提供足夠的模型復(fù)雜度，以學(xué)習(xí)輸入特征與讀電壓之間的潛在關(guān)系。ReLU激活函數(shù)在這里發(fā)揮作用，幫助模型捕捉非線性依賴(lài)；輸出層是一個(gè)包含7個(gè)神經(jīng)元的線性層，它輸出預(yù)測(cè)的讀電壓值，對(duì)應(yīng)于TLC NAND存儲(chǔ)單元中可能的不同狀態(tài)。訓(xùn)練后，在測(cè)試集上，MLP最終獲得2.99的均方誤差，略高于隨機(jī)森林。

圖5：電壓預(yù)測(cè)MLP訓(xùn)練架構(gòu)

因?yàn)樵诒緦?shí)驗(yàn)中，選取的場(chǎng)景比較單一，樣本量不大，傳統(tǒng)的機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)算法都以很小的模型量級(jí)取得了非常不錯(cuò)的學(xué)習(xí)效果，模型預(yù)測(cè)得到的閾值電壓與最優(yōu)讀電壓的誤差不超過(guò)3個(gè)電壓檔位，驗(yàn)證了AI技術(shù)在NAND電壓模型上的應(yīng)用潛力。隨著使用場(chǎng)景的復(fù)雜化，深度學(xué)習(xí)可以通過(guò)增加隱藏層，獲得更大精確的模型能力，提供全場(chǎng)景下的準(zhǔn)確NAND讀電壓預(yù)測(cè)。

憶聯(lián)在AI領(lǐng)域的布局及應(yīng)用

在本文我們通過(guò)一個(gè)簡(jiǎn)單的示例展示了AI作為一個(gè)新技術(shù)，在SSD控制器底層管理上的應(yīng)用潛力。除了NAND讀電壓，還有NAND健康管理和壽命預(yù)測(cè)、主機(jī)負(fù)載預(yù)測(cè)、IO冷熱預(yù)測(cè)等多方面，都可以通過(guò)AI的建模，針對(duì)使用場(chǎng)景在線獲得SSD的最優(yōu)運(yùn)行參數(shù)，幫助用戶(hù)獲得更快、更可靠、更安全的數(shù)據(jù)管理服務(wù)。

在人工智能的趨勢(shì)下，不管是AI PC還是超大規(guī)模數(shù)據(jù)中心，都對(duì)存儲(chǔ)容量和性能提出了更高要求。一直以來(lái)，憶聯(lián)持續(xù)打磨產(chǎn)品的存儲(chǔ)性能，在7系DSSD、8系ESSD以及SAS產(chǎn)品上，已將AI算法融入了NAND管理、主機(jī)訪問(wèn)優(yōu)化、性能穩(wěn)定性等功能。未來(lái)，憶聯(lián)還將不斷推出具備強(qiáng)勁競(jìng)爭(zhēng)力的全產(chǎn)品線SSD產(chǎn)品，滿(mǎn)足AI時(shí)代算力需求，實(shí)現(xiàn)存力突圍，為客戶(hù)創(chuàng)造最大價(jià)值。

審核編輯：劉清