背景介紹

當前AI技術(shù)蓬勃發(fā)展，深度學習、強化學習等技術(shù)不斷突破，使得AI在圖像識別、語音識別、自然語言處理等領(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)用于圖像識別、目標檢測等任務(wù)，極大地提升了計算機視覺的準確性和效率。在自然語言處理領(lǐng)域，深度學習模型如循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和Transformer架構(gòu)則助力機器理解并生成人類語言，實現(xiàn)了智能對話、文本分類等功能。此外，機器學習算法如決策樹、隨機森林和支持向量機（SVM）在數(shù)據(jù)分析和預(yù)測建模中發(fā)揮著關(guān)鍵作用。同時，強化學習技術(shù)也在游戲AI、機器人控制等領(lǐng)域得到廣泛應(yīng)用，使智能體能夠自主學習和優(yōu)化行為策略。

SSD控制器是固態(tài)硬盤（SSD）中的核心組件，它負責協(xié)調(diào)SSD內(nèi)部各個部件的運作，是數(shù)據(jù)讀寫的關(guān)鍵管理者。面向主機方向，SSD控制器需要有效管理主機請求，通過精準的調(diào)度、流控和預(yù)測確保主機響應(yīng)的及時和穩(wěn)定；面向底層NAND方向，它需要負責SSD上NAND介質(zhì)的全生命周期管理，確保底層NAND在全場景下的壽命和穩(wěn)定性除了基礎(chǔ)的數(shù)據(jù)管理功能，還需要具備強大的錯誤校正能力，能夠及時發(fā)現(xiàn)并修復(fù)數(shù)據(jù)傳輸中的錯誤，保證數(shù)據(jù)的完整性；同時，它還負責執(zhí)行垃圾回收任務(wù)，通過智能算法優(yōu)化存儲空間的使用，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)加密和保護功能，通過先進的加密算法和安全機制，它能夠有效防止數(shù)據(jù)被非法訪問或篡改，保護用戶的隱私和信息安全。

圖1：AI加持的SSD控制器

總的來說，AI是一個強大的建模工具，可以完成復(fù)雜模型的抽象，在SSD的應(yīng)用場景下能夠基于經(jīng)驗數(shù)據(jù)給出IO和介質(zhì)的行為級預(yù)測；而SSD控制器是一個復(fù)雜的管理系統(tǒng)，需要基于主機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，因此，本文對AI在SSD上的應(yīng)用進行簡單探索。

經(jīng)典AI技術(shù)介紹

本章我們簡單介紹RF、MLP和CNN這三種經(jīng)典AI算法，其中，隨機森林屬于傳統(tǒng)機器學習算法，MLP和CNN屬于深度學習算法。

隨機森林屬于機器學習中的集成學習算法，屬于Bagging類型。

集成學習的基本思想就是將多個分類器組合，從而實現(xiàn)一個預(yù)測效果更好的集成分類器。Bagging也叫自舉匯聚法（bootstrap aggregating），是一種在原始數(shù)據(jù)集上通過有放回抽樣重新選出k個新數(shù)據(jù)集來訓練分類器的集成技術(shù)。它使用訓練出來的分類器的集合來對新樣本進行分類，然后用多數(shù)投票或者對輸出求均值的方法統(tǒng)計所有分類器的分類結(jié)果，結(jié)果最高的類別即為最終標簽。在實現(xiàn)上，可以通過簡單的決策樹作為不同抽樣的分類器，通過多個決策樹的預(yù)測結(jié)果投票，完成最終的預(yù)測。

圖2：包含n個決策樹的隨機森林

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

每個層中的神經(jīng)元接收上一層的輸出作為輸入，并將其加權(quán)求和后通過一個激活函數(shù)進行非線性轉(zhuǎn)換。這種結(jié)構(gòu)允許模型學習非線性關(guān)系并對輸入數(shù)據(jù)進行抽象表示。MLP的基本組件包括輸入層、隱藏層和輸出層：輸入層負責接收輸入特征向量，每個特征對應(yīng)輸入層的一個神經(jīng)元；隱藏層位于輸入層和輸出層之間，可以包含多個層。每個隱藏層的神經(jīng)元從前一層的輸出中獲取數(shù)據(jù)，并進行加權(quán)求和和激活函數(shù)處理；輸出層提供模型的最終輸出，可以是一個或多個神經(jīng)元的組合。在回歸問題中，輸出層通常只有一個神經(jīng)元，它提供了預(yù)測的連續(xù)值。

圖3：包含一個隱藏層的MLP

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

CNN的基本組件包括卷積層、池化層和全連接層：卷積層通過卷積操作對輸入數(shù)據(jù)進行特征提取。卷積層由一組可學習的過濾器（或稱為卷積核）組成，每個過濾器通過滑動窗口在輸入數(shù)據(jù)上進行卷積操作，以計算得到特定位置的特征圖；池化層用于對特征圖進行下采樣，減少計算量并保留最重要的特征。常見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)測結(jié)果。CNN的訓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)測的一個簡單例子介紹SSD控制器上AI技術(shù)的應(yīng)用。SSD的存儲單元為NAND顆粒，每個NAND存儲單元可以視為一個可以保存電子的三極管，通過下發(fā)一定檢測電壓判斷三極管是否開啟，可以檢測出其保存電子的數(shù)量，進而獲取NAND中保存的數(shù)據(jù)。在NAND中，該檢測電壓即為NAND讀電壓。為了準確的讀取NAND中的數(shù)據(jù)，需要盡可能準確的讀電壓，否則就會得到錯誤的三極管開啟閾值，造成讀取錯誤。

在實際使用中，NAND的閾值電壓受多種因素影響：NAND的擦寫次數(shù)影響NAND單元中電子流失的速度；NAND的上電保持時間等于NAND中電子持續(xù)流失的時間；對相鄰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單元因為工藝的不一致性，在不同的場景中的閾值電壓的變化也會有差異。NAND受各種因素影響的閾值電壓變化量就構(gòu)成了一個數(shù)值模型，我們可以嘗試通過AI對其進行建模。

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

訓練的數(shù)據(jù)集包括3000個不同位置page在不同PE和T下最優(yōu)讀電壓的數(shù)據(jù)。我們在訓練中對數(shù)據(jù)集進行隨機劃分，按71劃分為訓練集、測試集和驗證集，訓練集用于模型權(quán)重的訓練，驗證集用于模型超參數(shù)調(diào)整和過擬合監(jiān)控，測試集用于評估模型的性能，我們在訓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估的標準。

隨機森林比較簡單，我們采用一個50個隨機決策樹的森林進行隨機樣本的訓練，將所有數(shù)據(jù)進行隨機劃分，進行多次訓練，當均方誤差收斂后停止訓練，最終得到的隨機森林在測試集上獲得了2.98的均方誤差。

在MLP中，我們采用了一種簡潔高效的架構(gòu)：輸入層直接接收磨損次數(shù)PE、時間T、plane、block和wordline位置這五個關(guān)鍵的物理參數(shù)，這些參數(shù)是影響讀電壓的主要因素；隱藏層中包含兩個大小為128的隱藏層，這種設(shè)計旨在提供足夠的模型復(fù)雜度，以學習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；輸出層是一個包含7個神經(jīng)元的線性層，它輸出預(yù)測的讀電壓值，對應(yīng)于TLC NAND存儲單元中可能的不同狀態(tài)。訓練后，在測試集上，MLP最終獲得2.99的均方誤差，略高于隨機森林。

圖5：電壓預(yù)測MLP訓練架構(gòu)

因為在本實驗中，選取的場景比較單一，樣本量不大，傳統(tǒng)的機器學習算法與深度學習算法都以很小的模型量級取得了非常不錯的學習效果，模型預(yù)測得到的閾值電壓與最優(yōu)讀電壓的誤差不超過3個電壓檔位，驗證了AI技術(shù)在NAND電壓模型上的應(yīng)用潛力。隨著使用場景的復(fù)雜化，深度學習可以通過增加隱藏層，獲得更大精確的模型能力，提供全場景下的準確NAND讀電壓預(yù)測。

憶聯(lián)在AI領(lǐng)域的布局及應(yīng)用

在本文我們通過一個簡單的示例展示了AI作為一個新技術(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、主機負載預(yù)測、IO冷熱預(yù)測等多方面，都可以通過AI的建模，針對使用場景在線獲得SSD的最優(yōu)運行參數(shù)，幫助用戶獲得更快、更可靠、更安全的數(shù)據(jù)管理服務(wù)。

在人工智能的趨勢下，不管是AI PC還是超大規(guī)模數(shù)據(jù)中心，都對存儲容量和性能提出了更高要求。一直以來，憶聯(lián)持續(xù)打磨產(chǎn)品的存儲性能，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、主機訪問優(yōu)化、性能穩(wěn)定性等功能。未來，憶聯(lián)還將不斷推出具備強勁競爭力的全產(chǎn)品線SSD產(chǎn)品，滿足AI時代算力需求，實現(xiàn)存力突圍，為客戶創(chuàng)造最大價值。

審核編輯：劉清