[发明专利]用于SSD闪存管理的机器学习优化及应用方法

说明书

本发明提供的用于SSD闪存管理的机器学习优化及应用方法，属于SSD的应用技术领域，包括以下步骤：S1收集数据有效时间，判断并标定数据的温度类型，温度类型包括冷数据、温数据和热数据；S2采用机器学习的方法，在写入数据时预测数据的温度类型；S3将数据根据预测的温度类型的目标标签写入到目标闪存块。本发明通过收集主机相关的连续写入和删除的习惯和机器学习的方法在后续数据写入的同时预测并标定其冷热程度，从而在写入时将数据直接映射到相适配的可靠性较高的闪存块，同时在实际删除时检测预测效果，调整后续数据的预测结果，有效实现了SSD的磨损平衡，减少闪存块失效的概率，也增加了SSD总体使用寿命。

技术领域

本发明涉及SSD的应用技术领域，尤其涉及一种用于SSD闪存管理的机器学习优化及应用方法。

背景技术

现有技术SSD在使用过程中，通过计数每个闪存块(flashblock)的擦写次数来平衡磨损，但是由于计数是被动的模式，不能准确代表每个闪存块的实际磨损程度及其剩余使用寿命，因此根据擦写次数来判断闪存寿命并不完全准确，从而难以真正达到SSD的擦写平衡。

且现有技术中SSD的写入往往采用的是随机写，随机写(randomwrites)相比于顺序写(sequentialwrites)由于写入的内容随机性比较明显，从而导致一个闪存块里的写入内容可能会在不同的时间段由于文件删除操作而失效，但是物理地址上的内容不能实时删除，这样导致每个闪存块的内容碎片化严重，这样有效内容要在该原有闪存块被擦除之前搬运到新的闪存块，造成不必要的写放大(writeamplification)从而导致闪存总体有效寿命下降，而且影响SSD整体寿命。

发明内容

本发明的技术问题是提供一种用于SSD闪存管理的机器学习优化及应用方法，能够预测待写入数据的温度类型，并根据其预测的温度类型，将待写入数据存入剩余寿命相适应的闪存块。

为实现上述目的，本发明采取的技术方案为：

用于SSD闪存管理的机器学习优化及应用方法，包括以下步骤：S1收集数据有效时间，根据有效时间判断并标定数据的温度类型，温度类型包括冷数据、温数据和热数据；S2采用机器学习的方法，在写入数据时预测数据的温度类型；S3将数据根据预测的温度类型的目标标签存储到目标闪存块。

S1包括：S11定义数据流监测时间窗口；S12记录当前时间窗口内每个数据写入和删除的时间差，标定数据的温度类型。

S12包括：S121数据写入时，将数据的逻辑地址映射到闪存物理地址，并标定闪存物理地址，记录数据有效起始时间戳；S122数据删除时，将数据的逻辑地址映射到闪存物理地址，并标定闪存物理地址，记录数据失效时间戳；S123根据数据删除时标定的闪存物理地址，查找同一闪存物理地址下记录的数据有效起始时间戳，计算数据有效起始时间戳和数据失效时间戳的时间差；S124根据数据有效起始时间戳和数据失效时间戳的时间差判断并预测数据的温度类型。

S2为：计算当前时间窗口中的冷数据、温数据和热数据分别占当前时间窗口总数据量的比例；将下一时间窗口写入的数据预测为当前窗口占比最多的温度类型。

S2为：计算当前时间窗口冷数据、温数据和热数据分别占当前时间窗口总数据量的比例,并设置概率阈值p；若当前时间窗口占比最多的温度类型的比例大于或等于p，将下一时间窗口写入的数据预测为该温度类型；若当前时间窗口占比最多的温度类型的比例小于p，则将下一时间窗口写入的数据预测为该混合数据。

还包括：持续监测下一时间窗口，收集下一时间窗口中数据失效时间戳，并根据对应的数据有效起始时间戳计算实际温度类型，若实际温度类型与预测的温度类型不符，则进行温度类型修正。

S3为：对应将冷数据存储到短寿命闪存块，将温数据存储到中寿命闪存块，将热数据存储到长寿命闪存块。