本公開涉及存儲裝置。

背景技術：

1、存儲裝置可以包括例如使用諸如硅(si)、鍺(ge)、砷化鎵(gaas)、磷化銦(inp)等的半導體實現(xiàn)的半導體存儲器裝置。半導體存儲器裝置被分類為易失性存儲器裝置和非易失性存儲器裝置。

2、例如，作為非易失性存儲器的示例的閃速存儲器即使在其電源被中斷時也可以保持其存儲的數(shù)據(jù)。最近，包括所述閃速存儲器的存儲裝置(諸如固態(tài)驅(qū)動器(ssd)或存儲器卡)已經(jīng)被廣泛使用，并且在存儲或移動大量數(shù)據(jù)方面是有用的。

3、在這種存儲裝置中，可以檢查這種存儲裝置的狀態(tài)，并且可以周期性地監(jiān)測遙測以響應于故障而采取措施。當檢測到故障時，針對檢測到的故障采取后續(xù)措施。

4、然而，這種措施限于在存儲裝置中發(fā)生故障之后的后續(xù)措施，這可能導致與損壞數(shù)據(jù)的恢復和/或重建相關聯(lián)的時間或資源的消耗，以及由于所述故障導致的數(shù)據(jù)損壞和/或永久數(shù)據(jù)丟失。

技術實現(xiàn)思路

1、示例實施例提供了使用機器學習模型預測故障的發(fā)生并采取搶先措施的存儲裝置。

2、根據(jù)至少一個示例實施例，預測存儲裝置的故障的故障預測方法包括：基于第一標準從存儲在存儲器中的遙測信息中的至少一部分識別風險數(shù)據(jù)；將風險數(shù)據(jù)當中的第一屬性的第一數(shù)據(jù)輸入到機器學習模型；獲得從機器學習模型輸出的第一異常分數(shù)；基于確定第一異常分數(shù)是否滿足第二標準，來檢測在第一屬性中是否存在異常；響應于檢測到異常，將與第一屬性相關聯(lián)的警報發(fā)送到主機；以及響應于從主機接收到與警報相對應的反饋而控制存儲裝置的操作。機器學習模型可以被配置為基于風險數(shù)據(jù)進行訓練，從風險數(shù)據(jù)學習數(shù)據(jù)的模式，并且可以基于學習的數(shù)據(jù)的模式輸出異常分數(shù)。

3、根據(jù)至少一個示例實施例，存儲裝置包括：非易失性存儲器；以及控制器，其包括被配置為存儲關于存儲裝置的遙測信息的存儲器?？刂破骺梢员慌渲脼椋夯诘谝粯藴蕪拇鎯υ诖鎯ζ骱头且资源鎯ζ髦械闹辽僖粋€中的遙測信息中的至少一部分識別風險數(shù)據(jù)；將風險數(shù)據(jù)當中的第一屬性的第一數(shù)據(jù)輸入到機器學習模型；獲得從機器學習模型輸出的第一異常分數(shù)；基于第一異常分數(shù)是否滿足預定的第二標準來檢測在第一屬性中是否存在異常；響應于檢測到異常而將與第一屬性相關聯(lián)的警報發(fā)送到主機；以及響應于接收到反饋而控制存儲裝置的操作。機器學習模型可以被配置為基于風險數(shù)據(jù)進行訓練，從風險數(shù)據(jù)學習數(shù)據(jù)的模式，并且基于學習的數(shù)據(jù)的模式輸出異常分數(shù)。

4、根據(jù)至少一個示例實施例，存儲裝置包括控制器和非易失性存儲器。控制器可以包括：存儲器，其被配置為存儲關于存儲裝置的遙測信息；以及處理電路系統(tǒng)，其被配置為存儲識別到的風險數(shù)據(jù)，基于檢測到異常而存儲調(diào)試轉(zhuǎn)儲，以及基于第一標準從存儲在存儲器中的遙測信息中的至少一部分識別風險數(shù)據(jù)，通過使用識別到的風險數(shù)據(jù)進行訓練的機器學習模型來檢測在存儲的風險數(shù)據(jù)當中的屬性中的至少一部分中是否存在異常，響應于檢測到異常而將與檢測到異常的屬性相關聯(lián)的警報發(fā)送到主機，以及響應于從主機接收到與警報相對應的反饋而控制存儲裝置的操作。機器學習模型可以被配置為學習接收到的數(shù)據(jù)的模式，并且基于學習的數(shù)據(jù)的模式輸出異常分數(shù)。

技術特征：

1.一種預測存儲裝置的故障的故障預測方法，所述故障預測方法包括：

2.根據(jù)權利要求1所述的故障預測方法，還包括：

3.根據(jù)權利要求1所述的故障預測方法，還包括：

4.根據(jù)權利要求2所述的故障預測方法，其中，

5.根據(jù)權利要求1所述的故障預測方法，還包括：

6.根據(jù)權利要求5所述的故障預測方法，還包括：

7.根據(jù)權利要求5所述的故障預測方法，其中，

8.一種存儲裝置，包括：

9.根據(jù)權利要求8所述的存儲裝置，其中，所述控制器被配置為：

10.根據(jù)權利要求8所述的存儲裝置，其中，

11.根據(jù)權利要求8所述的存儲裝置，其中，

12.根據(jù)權利要求9所述的存儲裝置，其中，

13.根據(jù)權利要求8所述的存儲裝置，其中，

14.根據(jù)權利要求8所述的存儲裝置，其中，

15.一種存儲裝置，包括：

16.根據(jù)權利要求15所述的存儲裝置，其中，所述處理電路系統(tǒng)被配置為響應于在屬性中的至少一部分中檢測到異常而啟用與檢測到異常的屬性相關聯(lián)的調(diào)試特征。

17.根據(jù)權利要求16所述的存儲裝置，其中，所述非易失性存儲器包括風險數(shù)據(jù)區(qū)域和調(diào)試轉(zhuǎn)儲區(qū)域，所述風險數(shù)據(jù)存儲在所述風險數(shù)據(jù)區(qū)域中，與啟用的調(diào)試特征相對應的調(diào)試轉(zhuǎn)儲存儲在所述調(diào)試轉(zhuǎn)儲區(qū)域中。

18.根據(jù)權利要求17所述的存儲裝置，其中，所述處理電路系統(tǒng)被配置為基于與所述風險數(shù)據(jù)相關聯(lián)的周期將所述風險數(shù)據(jù)存儲在所述非易失性存儲器的所述風險數(shù)據(jù)區(qū)域中。

19.根據(jù)權利要求17所述的存儲裝置，其中，所述處理電路系統(tǒng)被配置為響應于在所述存儲裝置中發(fā)生故障而將所述調(diào)試轉(zhuǎn)儲存儲在所述非易失性存儲器的所述調(diào)試轉(zhuǎn)儲區(qū)域中。

20.根據(jù)權利要求15所述的存儲裝置，其中，所述處理電路系統(tǒng)被配置為：

技術總結(jié)
提供了預測存儲裝置的故障的故障預測方法和存儲裝置。該故障預測方法包括：基于預定的第一標準將存儲在存儲器中的遙測信息中的至少一部分識別為風險數(shù)據(jù)；將風險數(shù)據(jù)當中的第一屬性的第一數(shù)據(jù)輸入到機器學習模型；獲得從機器學習模型輸出的第一異常分數(shù)；基于第一異常分數(shù)是否滿足預定的第二標準來檢測在第一屬性中是否存在異常；當檢測到針對風險數(shù)據(jù)當中的第一屬性的異常時，將與第一屬性相關聯(lián)的警報發(fā)送到主機；以及從主機接收與該警報相對應的反饋。機器學習模型可以接收風險數(shù)據(jù)以學習數(shù)據(jù)的模式，并且可以基于學習的數(shù)據(jù)的模式來輸出所接收的數(shù)據(jù)的異常分數(shù)。

技術研發(fā)人員：權勇雄,安浩鎮(zhèn),崔道賢,李成泰
受保護的技術使用者：三星電子株式會社
技術研發(fā)日：
技術公布日：2024/10/21